i

HALAMAN JUDU

PERANCANGAN SISTEM PENDETEKSI LEUKOPLAKIA MELALUI CITRA

KLINIS RONGGA MULUT BERBASIS GRAY LEVEL CO-OCCURRENCE

MATRIX DAN K-NEAREST NEIGHBOR

DESIGN OF LEUKOPLAKIA DETECTION SYSTEM THROUGH CLINICAL

PICTURE OF ORAL BASED ON GRAY LEVEL CO-OCCURRENCE MATRIX AND

K-NEAREST NEIGHBOR

TUGAS AKHIR

Disusun dalam rangka memenuhi salah satu persyaratan untuk menyelesaikan Program

Studi Strata 1 Teknik Telekomunikasi

Disusun oleh:

I WAYAN AGUS SUGIARSA

1101110062

FAKULTAS TEKNIK ELEKTRO

UNIVERSITAS TELKOM

BANDUNG

2015

ii

UNIVERSITAS TELKOM No. Dokumen ITT-AK-FEK-

PTT-FM-004/001 Jl.Telekomunikasi No. 1 Ters. Buah Batu Bandung 40257 No. Revisi 00

FORMULIR LEMBAR PENGESAHAN TUGAS AKHIR Berlaku Efektif 02 Mei 2011

LEMBAR PENGESAHAN

TUGAS AKHIR

PERANCANGAN SISTEM PENDETEKSI LEUKOPLAKIA

MELALUI CITRA KLINIS RONGGA MULUT BERBASIS GRAY

LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR

DESIGN OF LEUKOPLAKIA DETECTION SYSTEM THROUGH

CLINICAL PICTURE OF ORAL BASED ON GRAY LEVEL CO-

OCCURRENCE MATRIX AND K-NEAREST NEIGHBOR

Telah disetujui dan disahkan sebagai Tugas Akhir II

Program S1 Teknik Telekomunikasi

Fakultas Teknik Elektro

Universitas Telkom

Disusun oleh:

I WAYAN AGUS SUGIARSA

1101110062

Bandung, 9 Juni 2015

Menyetujui,

Pembimbing I

Iwan Iwut Tritoasmoro, S.T., M.T.

(NIP. 99740175-1)

Pembimbing II

Hilman Fauzi Tresna S. P., S.T., M.T.

(NIP. 14861397-1)

iii

LEMBAR PERNYATAAN ORISINALITAS

Nama : I Wayan Agus Sugiarsa

NIM : 1101110062

Alamat : Br. Merta Sari, Ds. Buwit, Kec. Kediri, Kab. Tabanan, Bali

No. Telp/HP : 085737640002

E-mail : wayanagussugik@gmail.com

Menyatakan bahwa Tugas Akhir ini merupakan karya orisinal saya sendiri, dengan judul:

PERANCANGAN SISTEM PENDETEKSI LEUKOPLAKIA

MELALUI CITRA KLINIS RONGGA MULUT BERBASIS GRAY

LEVEL CO-OCCURRENCE MATRIX DAN K-NEAREST NEIGHBOR

DESIGN OF LEUKOPLAKIA DETECTION SYSTEM THROUGH

CLINICAL PICTURE OF ORAL BASED ON GRAY LEVEL CO-

OCCURRENCE MATRIX AND K-NEAREST NEIGHBOR

Atas pernyataan ini, saya siap menanggung resiko/sanksi yang dijatuhkan kepada

saya apabila kemudian ditemukan adanya pelanggaran terhadap kejujuran akademik atau

etika keilmuan dalam karya ini, atau ditemukan bukti yang menunjukkan ketidakaslian

karya ini.

Bandung, 9 Juni 2015

I Wayan Agus Sugiarsa

1101110062

iv

ABSTRAK

Homogeneous Leukoplakia, Hairy Leukoplakia dan Oral Candidiasis merupakan lesi

putih yang ditemukan pada rongga mulut. Homogeneous Leukoplakia adalah lesi praganas

yang disebabkan oleh iritasi kronis. Hairy Leukoplakia merupakan salah satu bentuk

Leukoplakia, hanya saja Hairy Leukoplakia tidak termasuk lesi praganas. Oral Candidiasis

merupakan jamur yang tumbuh pada rongga mulut, memiliki gambaran klinis yang hampir

sama dengan Leukoplakia. Sejak Hairy Leukoplakia menjadi ciri utama yang ditemukan

pada pasien AIDS, perbedaannya dengan lesi lain terutama Leukoplakia yang memiliki

citra klinis yang mirip dengan Hairy Leukoplakia menjadi sangat penting. Oleh karena itu

diperlukan suatu sistem yang dapat mengidentifikasi dan membedakan ketiga lesi tersebut

dengan akurasi yang maksimal. Ketiga jenis lesi putih tersebut bisa dideteksi dengan

mengolah informasi tekstur yang terdapat di daerah-daerah tertentu pada rongga mulut.

Perkembangan teknologi pengolahan citra digital dapat dijadikan solusi untuk

mengurangi ketidakakuratan penglihatan manusia. Pada tugas akhir ini dibuat suatu sistem

yang bisa mengidentifikasi citra lesi Homogeneous Leukoplakia, Hairy Leukoplakia dan

Oral Candidiasis berdasarkan informasi tekstur citra dengan metode ekstraksi ciri Gray

Level Co-Occurrence Matrix (GLCM) dan metode klasifikasi K-Nearest Neighbor (K-NN).

Citra didapatkan dari situs web resmi dalam bentuk citra digital. Untuk mengetahui

performansi sistem, diukur pula tingkat akurasi sistem. Data diolah dengan menggunakan

software MATLAB R2014a.

Setelah dilakukan pengujian, didapat kesimpulan bahwa sistem dapat membedakan

Homogeneous Leukoplakia, Hairy Leukoplakia dan Oral Candidiasis dengan akurasi

tertinggi 84,85%. Kombinasi parameter yang memberikan akurasi tertinggi yaitu sudut

GLCM 900, property GLCM Difference Entropy, nilai variabel K 1 dan distance K-NN

Euclidean.

Kata kunci: Homogeneous Leukoplakia, Hairy Leukoplakia, Oral Candidiasis, Gray Level

Co-Occurrence Matrix (GLCM), K-Nearest Neighbor (K-NN).

v

ABSTRACT

Homogeneous Leukoplakia, Hairy Leukoplakia, and Oral Candidiasis is a white

lesion found in the Oral cavity. Homogeneous Leukoplakia is a pre-cancerous lesions

caused by chronic irritation. Hairy Leukoplakia is one form of Leukoplakia, just Hairy

Leukoplakia does not include pre-cancerous lesions. Oral Candidiasis is a fungus that

grows in the mouth, has a clinical picture similar to Leukoplakia. Since Hairy Leukoplakia

became the main characteristic found in AIDS patients, the Difference with the others

mainly Leukoplakia lesions that have similar clinical image with Hairy Leukoplakia

becomes very important. Therefore we need a system that can identify and distinguish the

three lesions with maximum accuracy. Three types of white lesions can be detected by

processing the texture information contained in certain areas of the Oral cavity.

The development of digital image processing technology can be used as a solution

to reduce the inaccuracies of human vision. In this final project created a system that could

identify the image of the lesions Homogeneous Leukoplakia, Hairy Leukoplakia, and Oral

Candidiasis based image texture information, by using a feature extraction method Gray

Level Co-Occurrence Matrix (GLCM) and using the classification K-Nearest Neighbor (K-

NN). Image obtained from official sources in the form of a digital image. To determine the

performance of the system, measured the level of accuracy of the system. The data is

processed by using software MATLAB R2014a.

After testing, concluded that the system can distinguish Homogeneous Leukoplakia,

Hairy Leukoplakia, and Oral Candidiasis with the highest accuracy of 84.848%. The

combination of parameters that provide the highest accuracy GLCM angle 900, GLCM

Difference Entropy property, the value of K 1 and K-NN Euclidean distance.

Keywords: Homogeneous Leukoplakia, Hairy Leukoplakia, Oral Candidiasis, Gray Level

Co-Occurrence Matrix (GLCM), K-Nearest Neighbor (K-NN).

vi

KATA PENGANTAR

“Om Swastiastu”,

Segala puja dan puji syukur penulis panjatkan kehadirat Ida Sang Hyang Widhi

Wasa (Tuhan Yang Maha Esa) atas segala rahmat dan karunia-Nya sehingga penulis dapat

menyelesaikan Tugas Akhir dengan judul “Perancangan Sistem Pendeteksi Leukoplakia

Melalui Citra Klinis Rongga Mulut Berbasis Gray Level Co-occurrence Matrix dan K-

Nearest Neighbor”. Penulisan tugas akhir ini dilakukan untuk memenuhi salah satu syarat

kelulusan Program Studi Strata-1 jurusan Teknik Telekomunikasi Universitas Telkom.

Dalam penulisan karya ilmiah ini penulis mendapatkan banyak bantuan dari

berbagai pihak, oleh karenanya dari hati yang terdalam penulis ingin mengungkapkan rasa

terima kasih kepada keluarga, dosen, sahabat dan teman-teman yang telah memberikan

masukkan dan motivasi untuk penulis.

Penulis menyadari bahwa Tugas Akhir ini masih jauh dari kesempurnaan. Hal ini

akibat keterbatasan yang dimiliki oleh penulis. Oleh karena itu apabila terdapat kekurangan

maupun kesalahan dalam karya tulis ilmiah ini, penulis sangat berharap kepada seluruh

pihak agar dapat memberikan kritik dan saran yang sifatnya membangun.

Harapan penulis semoga Tugas Akhir ini dapat dikembangkan ke arah yang lebih

baik dan bermanfaat bagi pembaca dan penulis khususnya, serta bagi dunia pendidikan

pada umumnya.

“Om Cantih Cantih Cantih Om”.

Bandung, 9 Juni 2015

Penulis,

I Wayan Agus Sugiarsa

vii

UCAPAN TERIMAKASIH

“Om Awignam Astu Namo Siddham”, segala puja dan puji syukur penulis

panjatkan ke hadirat Ida Sang Hyang Widhi Wasa (Tuhan Yang Maha Esa) atas segala

rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan Tugas Akhir ini.

Terselesaikannya penyususnan Tugas Akhir ini tidak lepas dari orang-orang luar biasa

yang membantu serta memberikan motivasi dan doa sehingga penulis dapat menyelesaikan

Tugas Akhir ini. Untuk itu, pada kesempatan ini izinkan penulis untuk menyampaikan rasa

terimakasih yang sebanyak-banyaknya kepada:

1. Bapak dan Ibu tercinta, I Wayan Manuh Budiartha dan Ni Wayan Suyantini serta adik I

Nengah Widiana Putra. Terimakasih atas perhatian, motivasi dan doa yang selalu

diberikan setiap hari, serta atas kerja keras dan pengorbanan Bapak dan Ibu untuk

mendukung penulis sampai saat ini. Ni Putu Pradhayani, terimakasih atas perhatian,

motivasi dan hiburan yang diberikan kepada penulis.

2. Seluruh keluarga besar yang memberikan nasehat dan dukungan kepada penulis serta

memberikan penulis motivasi untuk membuat keluarga besar bangga.

3. Bapak Iwan Iwut T, ST., MT. selaku pembimbing I, terima kasih atas bimbingan, ilmu,

masukkan, nasehat, semangat, motivasi dan kesabaran bapak dalam membimbing

penulis sehingga penelitian ini dapat terselesaikan dengan baik.

4. Bapak Hilman Fauzi T. S. P., ST., MT. selaku pembimbing II, terima kasih atas

bimbingan, ilmu, masukkan, nasehat, semangat, motivasi dan kesabaran bapak dalam

membimbing penulis serta ide-ide yang luar biasa sehingga penelitian ini dapat

terselesaikan dengan baik.

5. Ibu Ridha Muldina Negara, S.T., M.T. selaku dosen wali, terimakasih atas perhatian,

motivasi, nasehat, informasi dan kesabaran yang ibu berikan dari awal kami mengenal

kampus Telkom University sampai saat ini. Penulis sangat bersyukur bisa menjadi anak

wali ibu.

6. Seluruh dosen dan staf Fakultas Teknik Elektro yang telah memberikan ilmu

pengetahuan yang sangat bermanfaat untuk penulis, membantu penulis dalam

mengenal dan memahami berbagai ilmu, serta memberikan pengetahuan untuk

menghadapi dunia yang berbasis ICT saat ini.

viii

7. Sahabat-sahabat di Rumah Saung Bali (Yanik, Mang Adhi, Krisna, dan Yande) yang

selalu menemani keseharian penulis baik senang maupun susah. Terimakasih banyak

atas ilmu-ilmu mengenai bagaimana seharusnya hidup itu dinikmati. Terimakasih atas

hiburan, wejangan, bantuan, perhatian dan motivasi sahabat-sahabat. Tidak ada tempat

yang membuat penulis merasa lebih nyaman selain Rumah Saung Bali ini. Banyak

kenangan yang tidak akan terlupakan brother.

8. Sahabat-sahabat KMH Saraswati 2011 yang membuat penulis merasa mempunyai

keluarga di Bandung. Terimakasih atas canda dan tawa yang sahabat-sahabat berikan.

9. Keluarga TT-35-02 yang telah memberikan kenangan dan pengalaman yang sangat

berharga. Terimakasih telah membantu penulis memahami ilmu-ilmu berharga di

kampus Telkom University.

10. Keluarga Besar KMH Saraswati Universitas Telkom. Terima kasih atas pelajaran, ilmu

dan kekeluargaan yang selama ini penulis dapatkan.

11. Keluarga Besar UKM Kesenian Bali Widyacana Murthi Universitas Telkom. Terima

kasih atas pengalaman, ilmu dan pelajaran yang penulis dapatkan selama ini.

12. Semua pihak yang membatu penulis menyelesaikan Tugas Akhir ini.

ix

DAFTAR ISI

HALAMAN JUDUL ............................................................................................................. i

LEMBAR PENGESAHAN ................................................................................................. ii

LEMBAR PERNYATAAN ORISINALITAS ................................................................. iii

ABSTRAK ........................................................................................................................... iv

ABSTRACT ........................................................................................................................... v

KATA PENGANTAR ........................................................................................................ vi

UCAPAN TERIMAKASIH .............................................................................................. vii

DAFTAR ISI ....................................................................................................................... ix

DAFTAR GAMBAR ......................................................................................................... xii

DAFTAR TABEL ............................................................................................................. xiii

DAFTAR ISTILAH .......................................................................................................... xiv

DAFTAR SINGKATAN ................................................................................................... xv

BAB I PENDAHULUAN .................................................................................................... 1

1.1 Latar Belakang ........................................................................................................ 1

1.2 Rumusan Masalah ................................................................................................... 2

1.3 Tujuan ..................................................................................................................... 2

1.4 Batasan Masalah ..................................................................................................... 2

1.5 Metodologi .............................................................................................................. 3

1.6 Sistematika Penulisan ............................................................................................. 3

BAB II DASAR TEORI ...................................................................................................... 5

2.1 Penyakit Pada Rongga Mulut ................................................................................. 5

2.1.1 Homogeneous Leukoplakia ............................................................................. 5

2.1.2 Hairy Leukoplakia ........................................................................................... 6

2.1.3 Oral Candidiasis ............................................................................................. 6

2.2 Citra Digital ............................................................................................................ 7

2.2.1 Jenis Citra ........................................................................................................ 8

2.2.2 Konversi Citra RGB ke Grayscale................................................................... 8

2.2.3 Equalisasi Histogram ....................................................................................... 9

x

2.3 Gray Level Co-Occurrence Matrix ....................................................................... 10

2.4 K-Nearest Neighbor .............................................................................................. 16

2.5 MATLAB .............................................................................................................. 17

BAB III PERANCANGAN SISTEM ............................................................................... 19

3.1 Gambaran Umum Sistem ...................................................................................... 19

3.2 Data ....................................................................................................................... 20

3.3 Pre-processing ...................................................................................................... 22

3.3.1 Cropping ........................................................................................................ 22

3.3.2 Konversi Citra RGB ke Grayscale................................................................. 23

3.3.3 Equalisasi Histogram ..................................................................................... 24

3.4 Ekstraksi Ciri GLCM ............................................................................................ 25

3.5 Klasifikasi K-NN ................................................................................................... 27

3.6 Performansi Sistem ............................................................................................... 27

3.7 Graphical User Interface ...................................................................................... 28

3.8 Rencana Pengujian ................................................................................................ 29

3.6.1 Kebutuhan Perangkat Keras dan Perangkat Lunak ....................................... 29

3.6.2 Skenario Pengujian ........................................................................................ 29

BAB IV PENGUJIAN SISTEM DAN ANALISIS ......................................................... 32

4.1 Data Hasil Pengujian Sistem ................................................................................. 32

4.2 Pengujian Ekstraksi Ciri ....................................................................................... 32

4.2.1 Tujuan Pengujian ........................................................................................... 32

4.2.2 Hasil Pengujian dan Analisis ......................................................................... 32

4.3 Pengujian Klasifikasi K-NN .................................................................................. 35

4.3.1 Tujuan Pengujian ........................................................................................... 36

4.3.2 Hasil Pengujian dan Analisis ......................................................................... 36

4.4 Pengujian dan Analisis Waktu Komputasi ........................................................... 38

4.5 Analisis Data Uji ................................................................................................... 40

BAB V KESIMPULAN DAN SARAN ............................................................................ 43

5.1 Kesimpulan ........................................................................................................... 43

5.2 Saran ..................................................................................................................... 43

DAFTAR PUSTAKA ........................................................................................................ 44

LAMPIRAN A DATA HASIL PENGUJIAN ................................................................. 45

LAMPIRAN B CITRA ...................................................................................................... 55

xi

LAMPIRAN C KODE PROGRAM ................................................................................ 63

xii

DAFTAR GAMBAR

Gambar 2.1 Homogeneous Leukoplakia ................................................................................ 5

Gambar 2.2 Hairy Leukoplakia ............................................................................................. 6

Gambar 2.3 Oral Candidiasis ................................................................................................ 7

Gambar 2.4 Citra RGB........................................................................................................... 8

Gambar 2.5 Citra Grayscale .................................................................................................. 8

Gambar 2.6 Citra output metode Equalisasi Histogram. ..................................................... 10

Gambar 2.7 Hubungan ketetanggaan antar piksel sebagai fungsi orientasi dan jarak spasial

............................................................................................................................................. 12

Gambar 2.8 Arah Pixel acuan ke Pixel tetangga ................................................................. 12

Gambar 2.9 Prosedur mencari matrix framework ............................................................... 13

Gambar 2.10 Prosedur mencari matrix simetrik .................................................................. 13

Gambar 2.11 Prosedur mencari matrix ternormalisasi ........................................................ 14

Gambar 3.1 Gambaran Umum Sistem ................................................................................. 19

Gambar 3.2 Citra lesi yang belum melalui proses cropping ............................................... 23

Gambar 3.3 Citra lesi yang telah melalui proses cropping.................................................. 23

Gambar 3.4 Citra lesi dalam bentuk grayscale.................................................................... 24

Gambar 3.5 Citra sebelum Equalisasi Histogram (kiri) dan citra setelah Equalisasi

Histogram (kanan) ............................................................................................................... 24

Gambar 3.6 Histogram sebelum Equalisasi Histogram (kiri) dan Histogram setelah

Equalisasi Histogram (kanan) ............................................................................................. 25

Gambar 3.7 Ekstraksi Ciri GLCM ....................................................................................... 26

Gambar 3.8 Tampilan GUI ................................................................................................. 28

Gambar 4.1 Grafik akurasi berdasarkan sudut GLCM ........................................................ 33

Gambar 4.2 Grafik akurasi berdasarkan property GLCM ................................................... 35

Gambar 4.3 Grafik akurasi berdasarkan nilai variabel K .................................................... 37

Gambar 4.4 Grafik akurasi berdasarkan distance K-NN ..................................................... 38

Gambar 4.5 Grafik Waktu Komputasi. ................................................................................ 39

xiii

DAFTAR TABEL

Tabel 3.1 Tabel Kelas Data ................................................................................................. 21

Tabel 3.2 Tabel Kelompok Data ......................................................................................... 22

Tabel 4.1 Akurasi berdasarkan sudut GLCM ..................................................................... 33

Tabel 4.2 Akurasi berdasarkan property GLCM ................................................................. 34

Tabel 4.3 Akurasi berdasarkan nilai variabel K .................................................................. 36

Tabel 4.4 Akurasi berdasarkan distance K-NN ................................................................... 37

Tabel 4.5 Waktu Komputasi ................................................................................................ 39

Tabel 4.6 Hasil Klasifikasi Hairy Leukoplakia ................................................................... 40

Tabel 4.7 Hasil Klasifikasi Homogeneous Leukoplakia ...................................................... 41

Tabel 4.8 Hasil Klasifikasi Oral Candidiasis ...................................................................... 42

xiv

DAFTAR ISTILAH

Lesi : Istilah kedokteran untuk merujuk pada keadaan jaringan yang abnormal

pada tubuh.

Praganas : Kondisi penyakit yang secara klinis belum menunjukkan tanda-tanda yang

mengarah pada lesi ganas, namun di dalamnya sudah terjadi perubahan-

perubahan patologis yang merupakan pertanda akan terjadinya keganasan.

Citra latih : Citra yang digunakan dalam proses pelatihan dan referensi pada proses

pengujian.

Citra Uji : Citra yang digunakan dalam proses pengujian untuk menguji performansi

sistem.

Cropping : Proses menghilangkan bagian citra yang tidak diperlukan.

Ekstraksi Ciri : Proses mengekstrak fitur-fitur atau ciri tertentu pada suatu data.

Klasifikasi : Proses pengelompokan data.

Pixel : Sekumpulan titik-titik cahaya berwarna merah, hijau dan biru,

dikombinasikan dengan tingkat gelap-terang tertentu untuk menghasilkan

model warna RGB.

Matriks : Susunan bilangan yang berbentuk persegi atau persegi panjang yang diatur

menurut urutan baris dan kolom.

xv

DAFTAR SINGKATAN

HIV : Human Immuno Deficiency Virus

AIDS : Acquired Immunodeficiency Syndrome

RGB : Red Green Blue

GLCM : Gray Level Co-Occurrence Matrix

K-NN : K-Nearest Neighbour

MATLAB : Matrix Laboratory

GUI : Graphical User Interface

JPEG : Joint Photographic Experts Group

VGA : Video Graphics Adapter

RAM : Random Access Memory

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Homogenous Leukoplakia adalah lesi praganas putih keratosis sebagai bercak

atau plak pada mukosa mulut yang tidak dapat diangkat dari dasar mulut dengan cara

usapan atau kikisan dan secara klinis maupun histopalogi berbeda dengan penyakit

lain dalam mulut. Hairy Leukoplakia adalah salah satu bentuk dari leukolakia yang

tidak termasuk lesi praganas dan biasanya ditemukan pada bagian lateral lidah pada

paien dengan imun rendah. Hairy Leukoplakia ditemukan pada orang dewasa yang

terinfeksi HIV dan AIDS. Oral Candidiasis adalah jamur yang ditemukan pada rongga

mulut. Ketiga lesi tersebut mempunyai ciri klinis yang hampir sama.

Perkembangan teknologi pengolahan citra yang sangat pesat telah memberikan

kemudahan dalam mengidentifikasi beberapa jenis penyakit. Dalam proses identifikasi

suatu penyakit diperlukan adanya suatu metode yang dapat mengekstraksi fitur atau

ciri dari citra sehingga nantinya dengan fitur tersebut, suatu citra dapat diklasifikasikan

dengan metode klasifikasi citra. Salah satu metode ekstrasi ciri citra yang baik

digunakan di bidang kedokteran adalah GLCM.

Pada penelitian sebelumnya telah dibahas perbedaan Homogeneous Leukoplakia

dan Hairy Leukoplakia serta pentingnya membedakan kedua lesi tersebut dalam

bidang kedokteran [1]. Namun penelitian tersebut belum menggunakan metode

pengolahan citra digital. GLCM merupakan metode yang biasa digunakan untuk

mengolah informasi yang terdapat pada suatu citra berdasarkan tekstur citra [4]. K-NN

adalah metode yang bisa digunakan untuk klasifikasi suatu fitur citra [8].

Pada tugas akhir ini dirancang suatu sistem yang mempunyai kemampuan untuk

membedakan Homogeneous Leukoplakia, Hairy Leukoplakia dan Oral Candidiasis

pada rongga mulut melalui foto citra rongga mulut dengan metode ekstraksi ciri Gray

Level Co-Occurrence Matrix (GLCM) dan metode klasifikasi K-Nearest Neighbor (K-

NN). Judul dari Tugas Akhir ini adalah “Perancangan Sistem Pendeteksi Leukoplakia

Melalui Citra Klinis Rongga Mulut Berbasis Gray Level Co-occurrence Matrix dan K-

Nearest Neighbor”.

2

1.2 Rumusan Masalah

Permasalahan yang menjadi objek penelitian pada tugas akhir ini adalah:

1. Bagaimana merancang sistem yang dapat membedakan Homogeneous Leukoplakia,

Hairy Leukoplakia dan Oral Candidiasis pada rongga mulut berdasarkan tekstur

citra,

2. Bagaimana menganalisis sudut dan parameter output metode ekstraksi ciri GLCM

dan mengetahui pengaruhnya terhadap akurasi sistem,

3. Bagaimana menganalisis nilai variabel K dan Distance metode klasifikasi K-NN

dan mengetahui pengaruhnya terhadap akurasi sistem,

4. Bagaimana menentukan waktu komputasi sistem yang paling maksimal sehingga

diketahui sudut dan property GLCM serta nilai variabel K dan distance K-NN yang

memberikan performansi sistem yang paling maksimal.

1.3 Tujuan

Tujuan penelitian ini adalah:

1. Merancang sistem yang dapat membedakan Homogeneous Leukoplakia, Hairy

Leukoplakia dan Oral Candidiasis pada rongga mulut berdasarkan tekstur citra,

2. Melakukan analisis terhadap sudut dan parameter output atau property metode

ekstraksi ciri GLCM sehingga diketahui pengaruhnya terhadap akurasi sistem,

3. Melakukan analisis terhadap nilai variabel K atau jumlah tetangga terdekat dan

Distance metode klasifikasi K-NN sehingga diketahui pengaruhnya terhadap

akurasi sistem,

4. Menentukan waktu komputasi sistem yang paling maksimal sehingga diketahui

sudut dan property GLCM serta nilai variabel K dan distance K-NN yang

memberikan performansi sistem yang paling maksimal.

1.4 Batasan Masalah

Agar penelitian tidak menyimpang dari permasalahan, maka batasan masalah yang

dikaji adalah:

1. Data citra digital yang diolah adalah citra RGB dengan file bertipe *.jpg dengan

ukuran citra 100 x 200 Pixel.

3

2. Perancangan sistem menggunakan software Matlab R2014a.

3. Citra inputan adalah citra rongga mulut yang terindikasi Homogeneous

Leukoplakia, Hairy Leukoplakia dan Oral Candidiasis.

4. Sistem bekerja secara non-realtime.

1.5 Metodologi

Penelitian ini dilakukan dengan metode:

1. Studi literature dan diskusi

Studi ini dilakukan dengan mengumpulkan dan mempelajari berbagai buku teks,

jurnal-jurnal ilmiah, browsing internet yang berkaitan dengan tugas akhir ini serta

berdiskusi dengan dosen pembimbing dan rekan mahasiswa.

2. Tahap perancangan dan realisasi sistem

Pada tahap ini dilakukan perancangan sistem berdasarkan hardware dan software

yang dibutuhkan. Kemudian rancangan direalisasikan sehingga dapat menghasilkan

sistem yang diinginkan.

3. Tahap pengujian sistem dan analisis

Pada tahap ini pengujian sistem dan analisis, mencakup analisis hasil kerja dan

analisis sistem secara keseluruhan. Analisis ini didapatkan dari hasil pengujian

sistem.

1.6 Sistematika Penulisan

Tugas akhir ini dibagi dalam beberapa topik bahasan yang disusun secara sistematis

sebagai berikut.

Bab I Pendahuluan

Bab ini membahas latar belakang, tujuan penelitian, rumusan masalah,

batasan masalah, metodologi penelitian dan sistematika penulisan.

Bab II Dasar Teori

4

Bab ini membahas teori mengenai penyakit pada rongga mulut, teori dasar

pengolahan citra, metode ekstraksi ciri, metode klasifikasi dan teori dasar

software.

Bab III Perancangan Sistem

Bab ini membahas proses perancangan dan implementasi sistem dengan

menggunakan software MATLAB R2014a.

Bab IV Hasil Pengujian dan Analisis

Bab ini membahas pengujian dari sistem beserta analisis hasil pengujianya.

Bab V Kesimpulan dan Saran

Bab ini memaparkan kesimpulan serta saran untuk pengembangan lebih

lanjut

5

BAB II

DASAR TEORI

2.1 Penyakit Pada Rongga Mulut [1]

Ada banyak sekali penyakit yang ditemukan pada rongga mulut. Diantaranya

adalah Homogeneous Leukoplakia, Hairy Leukoplakia dan Oral Candidiasis. Ketiga

lesi tersebut mempunyai gambaran klinis yang mirip namun penyebab dan

penanggulangannya berbeda-beda.

2.1.1 Homogeneous Leukoplakia

Menurut beberapa klinikus, predisposisi Homogeneous Leukoplakia terdiri atas

beberapa faktor yang multipel, yaitu faktor local (trauma, kemikal atau termal, infeksi

bakteri dan mulut yang kurang bersih), faktor sistemik (penyakit sistemik, bahan-bahan

yang diberikan secara sistemik dan defisiensi nutrisi), dan malnutrisi vitamin.

Homogeneous Leukoplakia disebut juga Leukoplakia simpleks, berupa lesi

berwarna keputih-putihan, dengan permukaan rata, licin atau berkerut, dapat pula

beralur atau berupa suatu peninggian dengan pinggiran yang jelas. Homogeneous

Leukoplakia ditunjukkan pada Gambar 2.1.

Gambar 2.1 Homogeneous Leukoplakia

Sangat besar kemungkinan Homogeneous Leukoplakia berkembang menjadi sel

kanker jika tidak ditangani dengan segera. Homogeneous Leukoplakia dapat diobati

dengan mengangkat atau dengan menghancurkan sel yang terinfeksi.

6

2.1.2 Hairy Leukoplakia

Hairy Leukoplakia merupakan lesi putih yang hampir selalu terjadi unilateral

atau bilateral pada tepi lateral lidah, sering tampak menyerupai rambut atau

bergelombang, dapat pula seperti plak.

Hairy Leukoplakia disebabkan oleh aoutoinokulasi Virus Epstein Bar (EBV)

melalui saliva dan ada hubungannya dengan imunosupresi yang biasanya disebabkan

oleh infeksi HIV.

Hairy Leukoplakia tampak sebagai lesi putih seperti Leukoplakia, namun

memiliki gambaran klinis yang unik. Bentuk lesi tidak teratur, bercak sedikit menonjol,

dan warna putih keabu-abuan, dengan pertumbuhan keratin seperti rambut pada batas

lateral lidah, sehingga dinamakan Hairy Leukoplakia. Hairy Leukoplakia menunjukkan

adanya lipatan-lipatan tegak vertikal yang putih pada sisi lateral lidah.

Gambar 2.2 Hairy Leukoplakia

Pengobatan yang bisa dilakukan adalah dengan mengangkat sel yang terinfeksi

Hairy Leukoplakia atau menghancurkannya. Namun karena Hairy Leukoplakia biasa

ditemukan pada pengidap HIV, maka selain mengangkat sel kanker, pengidap juga

harus melakukan check HIV.

2.1.3 Oral Candidiasis [2]

Oral Candidiasis adalah jamur yang ditemukan pada rongga mulut. Pada

umumnya Oral Candidiasis disebabkan oleh kondisi imun yang menurun, kemudian

ada kasus yang disebabkan karena penggunaan alat tertentu pada rongga mulut yang

tidak dibersihkan dengan benar, misalnya kawat gigi dan gigi palsu.

7

Oral Candidiasis memiliki beberapa ciri klinis. Diantaranya lesi yang

menampilkan membran yang melekat longgar yang terdiri dari organisme jamur dan

debris cellular yang meninggalkan sebuah peradangan, terkadang area perdarahan jika

pseudomembran dihilangkan. Ada beberapa kasus penderita Oral Candidiasis juga

terinfeksi virus HIV. Gambar 2.3 menunjukkan bagian atas rongga mulut yang

terinfeksi Oral Candidiasis.

Gambar 2.3 Oral Candidiasis

Oral Candidiasis dapat diobati dengan mengkonsumsi obat anti jamur, dan

membiasakan diri menjaga kebersihan mulut.

2.2 Citra Digital [3]

Citra Digital merupakan suatu fungsi kontinu dari intensitas cahaya dalam

bidang dua dimensi yang diubah ke dalam bentuk diskrit atau nilai digital yang disebut

dengan Pixel. Format citra digital adalah berbentuk matriks N x M, dimana N

menyatakan baris/tinggi dan M menyatakan kolom/lebar. Citra sendiri dapat diubah

menjadi citra digital melalui perangkat seperti kamera, scanner atau handycam.

Citra dibagi menjadi dua, yaitu citra diam dan citra bergerak. Citra diam

merupakan citra tunggal yang tidak bergerak, sedangkan citra bergerak adalah

rangkaian citra diam yang ditampilkan secara berurutan sehingga memunculkan kesan

bahwa citra menjadi bergerak.

Format file citra diam antara lain, Bitmap (.bmp), Tagged Image Format (.tif),

Portable Network Graphic (.png) dan JPEG (.jpeg). Sedangkan format file citra

bergerak antara lain, MPEG (.mpg), Graphic Interchange Format (.gif). Pada tugas

akhir ini, citra digital yang dimaksud adalah citra diam dengan format file *.jpg.

8

2.2.1 Jenis Citra [4]

Citra berwarna atau citra RGB adalah adalah citra yang menyajikan warna

dalam bentuk komponen R (Red), G (Green) dan B (Blue). Setiap komponen warna

menggunakan delapan bit (berkisar antara 0 sampai dengan 255). Kemungkinan warna

yang dapat disajikan mencapai 255 × 255 × 255 atau 16.581.375 warna. Contoh citra

RGB ditunjukkan pada Gambar 2.4.

Gambar 2.4 Citra RGB

Citra grayscale adalah citra yang menangani gradasi warna hitam dan putih

yang menghasilkan efek warna abu-abu. Pada citra grayscale warna dinyatakan dengan

intensitas yang berkisar antara 0 sampai dengan 255. Nilai 0 menyatakan hitam dan

nilai 255 menyatakan putih. Contoh citra grayscale ditunjukkan pada Gambar 2.5.

Gambar 2.5 Citra Grayscale

2.2.2 Konversi Citra RGB ke Grayscale [4]

Persamaan yang digunakan untuk mengkonversi citra warna RGB ke citra

grayscale adalah:

9

𝐼(𝑥, 𝑦) = 0.2989 × 𝑅(𝑥, 𝑦) + 0.5870 × 𝐺(𝑥, 𝑦) + 0.1141 × 𝐵(𝑥, 𝑦) (1)

Dengan 𝐼𝑔𝑟𝑎𝑦𝑠𝑐𝑎𝑙𝑒 (𝑥, 𝑦) adalah intensitas warna grayscale pada pada kordinat

(𝑥, 𝑦), 𝑅(𝑥, 𝑦) adalah intensitas warna Red pada kordinat (𝑥, 𝑦), 𝐺(𝑥, 𝑦) adalah

intensitas warna Green pada kordinat (𝑥, 𝑦), dan 𝐵(𝑥, 𝑦) adalah intensitas warna Blue

pada kordinat (𝑥, 𝑦). Persamaan 1 diterapkan pada setiap Pixel citra warna RGB.

2.2.3 Equalisasi Histogram [5]

Ekualisasi histogram adalah teknik untuk mengubah nilai intensitas citra

sehingga penyebarannya seragam (uniform). Tujuan ekualisasi histogram adalah untuk

memperoleh penyebaran histogram yang merata sehingga setiap derajat keabuan

memiliki jumlah piksel yang relatif sama. Ekualisasi histogram merupakan salah satu

bagian penting dari beberapa aplikasi pengolahan citra. Teknik ini dapat dilakukan

pada keseluruhan citra atau pada beberapa bagian citra saja. Histogram hasil proses

ekualisasi tidak akan seragam atau sama untuk seluruh intensitas. Teknik ini hanya

melakukan distribusi ulang terhadap distribusi intensitas dari histogram awal. Jika

histogram awal memiliki beberapa puncak dan lembah maka histogram hasil ekualisasi

akan tetap memiliki puncak dan lembah. Akan tetapi puncak dan lembah tersebut akan

digeser. Histogram hasil ekualisasi akan lebih disebarkan (spreading). Distribusi ulang

terhadap histogram awal dilakukan dengan memetakan setiap nilai piksel pada

histogram awal menjadi nilai piksel baru dengan cara sebagai berikut.

𝑛(𝑔) = max (0, 𝑟𝑜𝑢𝑛𝑑 [(𝐿 − 1) ∗𝑐(𝑔)

𝑁] − 1) (2)

Dengan n(g) adalah nilai piksel baru, N menyatakan banyaknya piksel pada

citra (bila citra berukuran 8 x 8 maka N adalah 64), g menyatakan nilai gray level awal

yang nilainya dari 1 ... L-1 (L menyatakan nilai gray level maksimum). Sedangkan c(g)

menyatakan banyaknya piksel yang memiliki nilai sama dengan g atau kurang yang

secara matematis dapat dinyatakan sebagai berikut.

𝑐(𝑔) = ∑ ℎ(𝑖), 𝑔 = 1, 2, … , (𝐿 − 1)𝑔𝑖=1 (3)

10

Gambar 2.6 Citra output metode Equalisasi Histogram.

Kontras citra yang bagus jika dilihat pada Histogram, intensitas keabuannya

akan tersebar merata.

2.3 Gray Level Co-Occurrence Matrix [6]

Ekstraksi ciri statistik orde kedua merupakan metode ekstraksi ciri yang efektif

digunakan untuk mengekstrak informasi yang terdapat pada suatu citra. Ekstraksi ciri

statistik orde kedua mempertimbangkan hubungan antara dua piksel (piksel yang

bertetangga) pada citra. Untuk kebutuhan analisis, analisis tekstur orde dua

memerlukan bantuan matriks kookurensi (matrix co-occurence) untuk citra keabuan,

biasanya disebut GLCM. Analisis tekstur orde dua lebih baik dalam merepresentasikan

tekstur citra dalam parameter-parameter terukur.

Ekstraksi ciri statistik orde kedua dilakukan dengan matriks kookurensi, yaitu

suatu matriks yang merepresentasikan hubungan ketetanggaan antar piksel dalam citra

pada berbagai arah orientasi dan jarak spasial. Matriks kookurensi merupakan matriks

berukuran L x L (L menyatakan banyaknya tingkat keabuan) dengan elemen 𝑃(𝑥1, 𝑥2)

yang merupakan distribusi probabilitas bersama (join probability distribution) dari

pasangan titik-titik dengan tingkat keabuan 𝑥1 yang berlokasi pada koordinat (𝑗, 𝑘)

dengan 𝑥2 yang berlokasi pada koordinat(𝑚, 𝑛). Koordinat pasangan titik-titik tersebut

berjarak r dengan sudut θ. Histogram tingkat kedua 𝑃(𝑥1, 𝑥2) dihitung dengan

pendekatan sebagai berikut:

𝑃(𝑥1, 𝑥2) =𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑝𝑎𝑠𝑎𝑛𝑔𝑎𝑛 𝑡𝑖𝑡𝑖𝑘 𝑑𝑒𝑛𝑔𝑎𝑛 𝑡𝑖𝑛𝑔𝑘𝑎𝑡 𝑘𝑒𝑎𝑏𝑢𝑎𝑛 𝑥1 𝑑𝑎𝑛 𝑥2

𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑡𝑖𝑡𝑖𝑘 𝑝𝑎𝑑𝑎 𝑑𝑎𝑒𝑟𝑎ℎ 𝑠𝑢𝑎𝑡𝑢 𝑐𝑖𝑡𝑟𝑎 (4)

Berikut ini ketentuan untuk hubungan pasangan titik-titik dengan sudut 00, 450,

900, dan 1350 pada jarak 𝑟.

11

𝑃00 , 𝑟(𝑥1, 𝑥2) = |{

((𝑗, 𝑘), (𝑚, 𝑛)) ∈ 𝑅:

𝑗 − 𝑚 = 0, |𝑘 − 𝑛| = 𝑟, 𝑓𝑗 ,𝑘 = 𝑥1, 𝑓𝑚,𝑛= 𝑥2

}| (5)

𝑃450 , 𝑟(𝑥1, 𝑥2) = ||

{

((𝑗, 𝑘), (𝑚, 𝑛)) ∈ 𝑅:

(𝑗 − 𝑚 = 𝑟, |𝑘 − 𝑛| = −𝑟)

𝑜𝑟 (𝑗 − 𝑚 = −𝑟, 𝑘 − 𝑛 = 𝑟), 𝑓𝑗 ,𝑘= 𝑥1, 𝑓𝑚,𝑛= 𝑥2 }

|| (6)

𝑃900 , 𝑟(𝑥1, 𝑥2) = |{

((𝑗, 𝑘), (𝑚, 𝑛)) ∈ 𝑅:

|𝑗 − 𝑚| = 𝑟, 𝑘 − 𝑛 = 0, 𝑓𝑗 ,𝑘 = 𝑥1, 𝑓𝑚,𝑛= 𝑥2

}| (7)

𝑃1350 , 𝑟(𝑥1, 𝑥2) = ||

{

((𝑗, 𝑘), (𝑚, 𝑛)) ∈ 𝑅:

(𝑗 − 𝑚 = 𝑟, 𝑘 − 𝑛 = 𝑟)

𝑜𝑟 (𝑗 − 𝑚 = −𝑟, 𝑘 − 𝑛 = −𝑟), 𝑓𝑗 ,𝑘= 𝑥1, 𝑓𝑚,𝑛= 𝑥2 }

|| (8)

Dimana 𝑟 adalah jarak piksel, 𝑃(𝑥1, 𝑥2) = elemen matriks, 𝑥1 adalah pasangan

titik-titik dengan tingkat keabuan pada koordinat (𝑗, 𝑘) dan 𝑥2 adalah pasangan titik-

titik dengan tingkat keabuan pada koordinat (𝑚, 𝑛)

Gray Level Co-Occurrence Matrix (GLCM) adalah suatu matriks yang elemen-

elemennya merupakan jumlah pasangan piksel yang memiliki tingkat kecerahan

tertentu, di mana pasangan piksel itu terpisah dengan jarak d, dan dengan suatu sudut

inklinasi θ. Dengan kata lain, matriks kookurensi adalah probabilitas munculnya gray

level i dan j dari dua piksel yang terpisah pada jarak d dan sudut θ.

Suatu piksel yang bertetangga yang memiliki jarak d diantara keduanya, dapat

terletak di delapan arah yang berlainan, hal ini ditunjukkan pada Gambar 2.7.

12

Gambar 2.7 Hubungan ketetanggaan antar piksel sebagai fungsi orientasi dan jarak

spasial [6]

Arah piksel tetangga untuk mewakili jarak dapat dipilih, misalnya 1350, 900,

450 atau 00 atau, seperti yang diilustrasikan pada Gambar 2.8. Sedangkan Gambar 2.9

menggambarkan bagaimana untuk menghasilkan matriks menggunakan arah 00 dan

dengan jarak 1 piksel.

Gambar 2.8 Arah Pixel acuan ke Pixel tetangga [6]

13

Gambar 2.9 Prosedur mencari matrix framework [6]

Dengan menambahkan transposenya, akan diperoleh matriks simetrik, seperti

ditunjukkan pada Gambar 2.10, tapi hasilnya masih belum ternormalisasi. Oleh karena

itu, proses normalisasi harus dilakukan untuk menghapus ketergantungan pada ukuran

citra dengan mengatur semua elemen dalam matriks sehingga total dari semua nilai

elemen sama dengan 1. Gambar 2.11 merupakan hasil dari matriks yang telah

ternormalisasi.

Gambar 2.10 Prosedur mencari matrix simetrik [6]

14

Gambar 2.11 Prosedur mencari matrix ternormalisasi [6]

Beberapa jenis ciri tekstur GLCM [7] yang digunakan pada tugas akhir ini

adalah:

1. Contrast

Contrast merupakan perbedaan intensitas antara nilai tertinggi dan nilai-

nilai terendah dari seperangkat piksel yang saling berdekatan. Secara visual, nilai

dari suatu Contrast merupakan ukuran variasi antar derajat keabuan dari suatu

daerah citra.

𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = ∑ 𝑛2 {∑ ∑ 𝑝(𝑖, 𝑗)𝑁𝑔𝑗=1

𝑁𝑔𝑖=1

}𝑁𝑔−1

𝑛=0 (9)

|𝑖 − 𝑗| = 𝑛

Dengan,

𝑁𝑔 = banyak level abu-abu yang diperoleh dari citra,

𝑝(𝑖, 𝑗) = piksel di lokasi baris ke-𝑖 dan kolom ke-𝑗.

𝑖 = 1, 2, 3, … ,𝑁𝑔 ; 𝑗 = 1, 2, 3, … ,𝑁𝑔

2. Dissimilarity

Dissimilarity mengukur perbedaan tiap piksel. Dissimilarity akan bernilai

tinggi apabila teksturnya acak, sebaliknya akan bernilai rendah apabila teksturnya

seragam.

15

𝐷𝑖𝑠𝑠𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦 = ∑ ∑ 𝑝(𝑖, 𝑗)|𝑖 − 𝑗|𝑁𝑔𝑗=1

𝑁𝑔𝑖=1

(10)

Dengan,

𝑁𝑔 = banyak level abu-abu yang diperoleh dari citra,

𝑝(𝑖, 𝑗) = piksel di lokasi baris ke-𝑖 dan kolom ke-𝑗.

𝑖 = 1, 2, 3, … ,𝑁𝑔 ; 𝑗 = 1, 2, 3, … ,𝑁𝑔

3. Difference Variance

Difference Variance (DV) menujukkan selisih varianse dua piksel yang

berdekatan.

𝐷𝑉 = 𝑣𝑎𝑟𝑖𝑎𝑛𝑠 𝑑𝑎𝑟𝑖 𝑝𝑥−𝑦(𝑘) (11)

Dengan,

𝑝𝑥−𝑦(𝑘) =∑ ∑ 𝑝(𝑖, 𝑗) ; 𝑖 − 𝑗 = 𝑘 ; 𝑘 = 0, 1, 2, … , (𝑁𝑔 − 1)

𝑁𝑔𝑗=1

𝑁𝑔𝑖=1

,

𝑝(𝑖, 𝑗) = baris ke-𝑖 dan kolom ke-𝑗.

𝑖 = 1, 2, 3, … ,𝑁𝑔 ; 𝑗 = 1, 2, 3, … ,𝑁𝑔

4. Difference Entropy

Difference Entropy (DE) mengukur selisih entropy antara piksel yang

berdekatan.

𝐷𝐸 = −∑ (𝑝𝑥−𝑦(𝑘)) {log (𝑝𝑥−𝑦(𝑘)}𝑁𝑔−1

𝑘=0 (12)

Dengan,

𝑝𝑥−𝑦(𝑘) =∑ ∑ 𝑝(𝑖, 𝑗) ; 𝑖 − 𝑗 = 𝑘 ; 𝑘 = 0, 1, 2, … , (𝑁𝑔 − 1)

𝑁𝑔𝑗=1

𝑁𝑔𝑖=1

,

𝑝(𝑖, 𝑗) = baris ke-𝑖 dan kolom ke-𝑗.

𝑖 = 1, 2, 3, … ,𝑁𝑔 ; 𝑗 = 1, 2, 3, … ,𝑁𝑔

16

2.4 K-Nearest Neighbor [8]

Prinsip kerja K-Nearest Neighbor (K-NN) adalah mencari jarak terdekat antara

data yang dievaluasi dengan K tetangga (neighbor) terdekatnya yang ada pada data

latih. Mirip dengan teknik klastering, mengelompokkan suatu data baru berdasarkan

jarak data baru itu ke beberapa data atau tetangga terdekat.

Secara umum, nilai variabel K yang tinggi mengurangi efek noise pada

klasifikasi, tetapi membuat batasan antar kelas semakin kabur. Ada lima jenis distance

yang ada pada metode K-NN namun Hamming distance hanya bisa digunakan untuk

data biner. Berikut metode perhitungan jarak atau distance yang digunakan pada tugas

akhir ini.

1. Euclidean Distance

Euclidean distance adalah metode yang paling sering digunakan untuk

menghitung jarak dua vektor. Euclidean Distance menghitung akar dari kuadrat

perbedaan dua vektor.

𝐸𝑢𝑐𝑙𝑖𝑑𝑒𝑎𝑛 𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒 = √∑ (𝑥2𝑖 − 𝑥1𝑖)2𝑝𝑖=1 (13)

Dengan 𝑥1 adalah data latih, 𝑥2 adalah data uji, 𝑖 adalah variable data, 𝑑 adalah

jarak dan 𝑝 adalah dimensi data.

2. Cityblock Distance

Cityblock distance juga disebut sebagai Manhattan distance / Boxcar distance /

Absolute value distance. Cityblock distance menghitung nilai perbedaan absolut dari

dua vektor.

𝐶𝑖𝑡𝑦𝑏𝑙𝑜𝑐𝑘 𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒 = ∑ |𝑥𝑖𝑘 − 𝑥𝑗𝑘|𝑛𝑘=1 (14)

Dengan 𝑥𝑖 adalah data latih, 𝑥𝑗 adalah data uji, 𝑘 adalah variable data dan 𝑛

adalah dimensi data.

17

3. Cosine Distance

Dalam Cosine distance, titik-titik dianggap sebagai vektor, dan dilakukan

pengukuran terhadap sudut antara dua vektor tersebut. Untuk memperoleh jarak dua

vektor xs dan xt, memakai rumus sebagai berikut.

𝐶𝑜𝑠𝑖𝑛𝑒 𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒 = 1 − 𝑐𝑜𝑠𝜃 (15)

Dimana

cos 𝜃 =𝑥𝑠𝑥𝑡

|𝑥𝑠||𝑥𝑡|

4. Correlation Distance

Dalam Correlation distance, titik-titik dianggap sebagai barisan nilai, jarak

antar nilai 𝑥𝑠 dan 𝑥𝑡, memakai rumus sebagai berikut.

𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛 𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒 = 1 −(𝑥𝑠−𝑥𝑠̅̅ ̅)(𝑥𝑡−𝑥𝑡̅̅ ̅)′

√(𝑥𝑠−𝑥𝑠̅̅ ̅)(𝑥𝑠−𝑥𝑠̅̅ ̅)′√(𝑥𝑡−𝑥𝑡̅̅ ̅)(𝑥𝑡−𝑥𝑡̅̅ ̅)′ (16)

Dimana

𝑥�̅� =1

𝑛∑ 𝑥𝑠𝑗𝑗

𝑥�̅� =1

𝑛∑ 𝑥𝑡𝑗𝑗

Untuk distance Cosine dan Correlation akan menghasilkan output 1 jika ada

kemiripan, 0 jika tidak ada kemiripan dan -1 jika berbeda 1800 antara data uji dan data

latih.

2.5 MATLAB [8]

MATLAB (Matrix Laboratory) adalah sebuah bahasa pemrograman untuk

analisis dan komputasi numerik dan merupakan suatu bahasa pemrograman

matematika lanjutan yang dibentuk dengan dasar pemikiran menggunakan sifat dan

bentuk matriks. MATLAB telah berkembang menjadi sebuah software pemrograman

yang canggih yang berisi fungsi-fungsi built-in untuk melakukan tugas pengolahan

sinyal, aljabar linier, dan kalkulasi matematis lainnya.

18

Pada Tugas Akhir ini dijelaskan tentang fungsi MATLAB untuk pengolahan

sinyal, khususnya pengolahan citra digital (digital image processing). Dasar struktur

data pada MATLAB adalah array, array sendiri merupakan sekelompok data sejenis

yang disimpan ke dalam variabel dengan nama yang sama. MATLAB memproses citra

sebagai array dua dimensi dimana tiap elemen dari matriks akan sesuai dengan tiap

piksel pada gambar yang ditampilkan. Contohnya, pada sebuah citra yang berisikan

100 baris dan 200 kolom dengan warna yang berbeda tiap pikselnya maka pada

MATLAB akan tersimpan sebagai matriks 100x200.

Sistem MATLAB terdiri dari 5 bagian utama, yaitu:

1. Bahasa MATLAB

Bagian ini merupakan bahasa (pemrograman) tingkat tinggi yang menggunakan

matriks dengan pernyataan aliran kendali program, struktur data, masukan/keluaran

dan fitur fitur pemrograman berbasis objek.

2. Lingkungan kerja MATLAB

Bagian ini adalah sekumpulan fasilitas MATLAB yang digunakan oleh pengguna.

Fasilitas yang dimaksudkan misalnya untuk mengelola variabel di dalam ruang

kerja dan melakukan impor dan ekspor data.

3. Penanganan grafik

Bagian ini adalah sistem grafik MATLAB, termasuk perintah tingkat tinggi untuk

visualisasi data dimensi-2 dan dimensi-3, pengolahan citra animasi dan presentasi

grafik.

4. Pustaka fungsi matematis MATLAB

Bagian ini adalah koleksi algoritma komputasi mulai dari fungsi dasar sperti

penjumlahan, aritmatika bilangan kompleks dan fungsi-fungsi.

5. Application Program Interface MATLAB

Bagian ini adalah pustaka untuk menuliskan program dalam bahasa C dan Fortran

yang berinteraksi dengan MATLAB, termasuk fasilitas untuk memanggil rutin

program dari MATLAB, memanggil MATLAB sebagai mesin komputasi dan

untuk pembacaan serta penulisan MAT-files.

19

BAB III

PERANCANGAN SISTEM

3.1 Gambaran Umum Sistem

Tujuan utama perancangan sistem ini adalah untuk mengidentifikasi

Leukoplakia dan Oral Candidiasis yang terdapat pada rongga mulut. Masukkan sistem

adalah citra RGB dengan ukuran 100 x 200 Pixel dan format *.jpg yang terdiri dari

citra Homogeneous Leukoplakia Hairy Leukoplakia dan Oral Candidiasis. Secara

umum terdapat dua tahap utama yaitu pelatihan sistem dan pengujian sistem. Pada

tahap pelatihan sistem dilakukan pelatihan terhadap data latih. Pada tahap pengujian

sistem dilakukan pengujian terdapat data uji. Keluaran sistem adalah hasil klasifikasi

citra uji.

Citra Latih Citra Uji

Pre-processing

Ekstraksi Ciri GLCM

Database

Jenis Lesi

Ekstraksi Ciri GLCM

Pre-processing

Klasifikasi K-NN

Gambar 3.1 Gambaran Umum Sistem

20

Pada tahap Pre-processing dilakukan cropping, konversi citra RGB menjadi

citra grayscale, dan equalisasi Histogram. Pre-processing diterapkan pada tahap

pelatihan dan pengujian.

Pada tahap pelatihan sistem terdapat dua proses yaitu proses Pre-processing

dan ekstraksi ciri. Pada tahap ekstraksi ciri digunakan metode GLCM. Hasil ekstraksi

ciri disimpan dalam database dalam bentuk file *.mat.

Pada tahap pengujian sistem terdapat tiga proses yaitu proses Pre-processing,

ekstraksi ciri dan klasifikasi. Pada tahap ekstraksi ciri digunakan metode GLCM. Pada

tahap klasifikasi dilakukan klasifikasi data uji menggunakan metode K-NN. Keluaran

sistem didapatkan setelah proses klasifikasi.

Proses pengujian sistem dilakukan setelah proses pelatihan. Pada proses

pelatihan dibuat data latih yang nantinya diperlukan dalam tahap pengujian yaitu tahap

klasifikasi data uji.

3.2 Data

Tugas akhir ini menggunakan data berupa citra lesi pada rongga mulut

sebanyak 126 citra dengan format *.jpg. Data citra terdiri dari Homogeneous

Leukoplakia, Hairy Leukoplakia dan Oral Candidiasis. Secara rinci data yang

digunakan pada sistem ini adalah sebagai berikut.

21

Tabel 3.1 Tabel Kelas Data

No. Kelas Deskripsi Jumlah

1 Homogeneous

Leukoplakia

Homogeneous Leukoplakia disebut juga

Leukoplakia simpleks, berupa lesi berwarna

keputih-putihan, dengan permukaan rata,

licin atau berkerut, dapat pula beralur atau

berupa suatu peninggian dengan pinggiran

yang jelas.

44 Citra

2 Hairy

Leukoplakia

Hairy Leukoplakia merupakan lesi putih

yang hampir selalu terjadi unilateral atau

bilateral pada tepi lateral lidah, sering

tampak menyerupai rambut atau

bergelombang, dapat pula seperti plak.

38 Citra

3 Oral

Candidiasis

Oral Candidiasis menampilkan membrane

yang melekat longgar yang terdiri dari

organisme jamur dan debris cellular yang

meninggalkan sebuah peradangan, terkadang

area perdarahan jika pseudomembran

dihilangkan.

44 Citra

Dua kelompok data tersebut kemudian dibagi lagi menjadi masing-masing dua

kelompok, yaitu kelompok data latih dan kelompok data uji.

22

Tabel 3.2 Tabel Kelompok Data

No. Kelompok Keterangan Jumlah

1 Data Latih Data yang digunakan sebagai acuan

klasifikasi K-NN. Data latih memiliki ciri

atau nilai tertentu setelah melalui tahap

ekstraksi ciri.

20 Citra

Homogeneous

Leukoplakia, 20

citra Hairy

Leukoplakia dan 20

citra Oral

Candidiasis

2 Data Uji Data yang digunakan untuk menguji

apakah sistem sudah bekerja dengan baik.

Data uji memiliki ciri atau nilai tertentu

setelah melalui tahap ekstraksi ciri. Pada

tahap klasifikasi K-NN masing-masing data

diklasifikasi sesuai dengan ciri atau nilai

masing-masing citra.

24 Citra

Homogeneous

Leukoplakia, 18

citra Hairy

Leukoplakia dan 24

citra Oral

Candidiasis

3.3 Pre-processing

Tujuan utama tahap Pre-processing adalah untuk menghilangkan bagian tidak

perlu dari suatu citra, meningkatkan kualitas citra dan menyesuaikan data dengan

standar data masukan proses ekstraksi ciri. Semua data melalui tahap Pre-processing.

3.3.1 Cropping

Tahap pertama Pre-processing adalah cropping. Tujuan proses cropping adalah

untuk mendapatkan fokus dari bagian utama pada citra yang berisi informasi tekstur

Leukoplakia dan menghilangkan objek yang tidak diinginkan. Cropping dilakukan

secara manual untuk mempercepat waktu komputasi.

Masukkan dari proses cropping adalah citra dengan berbagai ukuran dimensi.

Keluaran dari proses cropping adalah data berdimensi 100 × 200 Pixel. Keluaran

tersebut didapat setelah menghilangkan sebagian citra yang tidak termasuk citra lesi

Leukoplakia.

23

Gambar 3.2 Citra lesi yang belum melalui proses cropping

Gambar 3.3 Citra lesi yang telah melalui proses cropping

Gambar 3.2 menunjukkan citra yang belum melalui proses cropping. Citra

tersebut mempunyai dimensi 300 x 400 Pixel. Pada Gambar 3.3 citra berukuran 100 x

200 Pixel terlihat lebih memanjang karena perbedaan perbandingan baris dan kolom

pada matrix citra. Pada Gambar 3.3 juga terlihat permukaan berwarna putih sebagian

besar memenuhi sisi citra. Hal tersebut dilakukan agar semua citra mendapat perlakuan

sama dan fokus pada tekstur lesi lebih banyak.

3.3.2 Konversi Citra RGB ke Grayscale.

Tahap kedua adalah proses konversi citra RGB menjadi citra grayscale. Tujuan

utama tahap konversi citra RGB ke grayscale adalah untuk menyederhanakan matrix

citra yang sebelumnya terdiri dari tiga layer Red, Green dan Blue menjadi sebuah layer

yaitu layer grayscale.

24

Konversi dilakukan dengan mengubah citra RGB menjadi citra grayscale, maka

ukuran matriks citra yang sebelumnya 100 x 200 x 3 menjadi 100 x 200. Hal tersebut

dikarenakan citra RGB memiliki tiga lapisan sedangkan citra grayscale hanya memiliki

satu lapisan sehingga sesuai dengan masukkan ekstraksi ciri GLCM.

Gambar 3.4 Citra lesi dalam bentuk grayscale

Pada Gambar 3.4 bisa terlihat pada citra hanya ada warna putih, abu-abu dan

hitam. Menunjukkan bahwa pada citra tersebut hanya ada 1 matrix citra yaitu matrix

grayscale sesuai dengan masukkan ekstraksi ciri GLCM.

3.3.3 Equalisasi Histogram

Tahap terakhir Pre-processing adalah equalisasi Histogram untuk citra

grayscale. Tujuan equlisasi Histogram adalah untuk meningkatkan kualitas citra

sehingga diperoleh Histogram dengan intensitas terdistribusi secara seragam pada citra.

Gambar 3.5 Citra sebelum Equalisasi Histogram (kiri) dan citra setelah Equalisasi

Histogram (kanan)

25

Gambar 3.6 Histogram sebelum Equalisasi Histogram (kiri) dan Histogram setelah

Equalisasi Histogram (kanan)

Pada Gambar 3.5 sebelah kiri dapat dilihat secara kasat mata citra tersebut

mempunyai Contrast yang buruk. Pada Gambar 3.5 sebelah kanan dapat dilihat citra

mengalami perbaikan Contrast.

Pada Gambar 3.6 sebelah kiri sebaran intensitas citra pada histogram tidak

merata dan terdapat puncak yang tinggi dan lembah yang curam. Pada Gambar 3.6

sebelah kanan dapat dilihat intensitas citra pada histogram mengalami penyebaran dan

puncak Histogram terlihat lebih rata yang artinya citra telah memiliki kualitas Contrast

yang lebih baik.

3.4 Ekstraksi Ciri GLCM

Tujuan utama ekstraksi ciri adalah untuk mendapatkan fitur atau ciri tertentu

dari suatu citra yang menyamakan atau membedakan satu citra dengan citra lainnya.

Ekstraksi ciri GLCM secara garis besar dibagi menjadi dua tahap yaitu pembentukan

matrix kookurensi dan menghitung property GLCM. Namun di dalam kedua tahap

tersebut terdapat beberapa proses seperti ditunjukkan pada Gambar 3.7 berikut.

26

Matrix citra dirubah ke

dalam bentuk matrix

framework

Menjumlahkan dua matrix

framework

Normalisasi

Matrix Citra

Menghitung property GLCM

Gambar 3.7 Ekstraksi Ciri GLCM

Masukkan metode GLCM adalah matrix citra dengan ukuran 100 x 200 Pixel.

Matrix simetrik inilah yang biasa disebut dengan matrix kookurensi. Berikut tahapan

proses ekstraksi ciri GLCM.

1. Intensitas citra masukkan diskalakan dari 1 sampai 8 sehingga akan terbentuk

matrix framework yang berukuran 8 x 8,

2. Menjumlahkan dua matrix framework, Salah satu matrix framework merupakan

transpose dari matrix lainnya kemudian kedua matrix tersebut dijumlahkan

sehingga akan terbentuk matrix yang simetris,

27

3. Sebelum property GLCM dihitung, matrix kookurensi akan dinormalisasi terlebih

dahulu sehingga total nilai elemen matrix kookurensi bernilai 1,

4. Perhitungan Contrast, Dissimilarity, Difference Variance atau Difference Entropy.

Hasil perhitungan property GLCM kemudian disimpan dalam bentuk file *.mat.

Properti GLCM yang dipilih hanya empat karena property yang lain memberikan

akurasi yang kurang maksimal. Jarak r yang dipilih adalah 10.

3.5 Klasifikasi K-NN

Pada tahap klasifikasi, fitur output ekstraksi ciri GLCM diproses untuk

pengujian data uji. Jarak dari vector data uji terhadap vector data latih dihitung dan

diambil K buah yang terdekat. Titik data uji kemudian diklasifikasikan berdasarkan

kelas yang terdekat dan terbanyak tergantung dari nilai variabel K. Berikut tahapan

klasifikasi K-NN.

1. Menentukan nilai variabel K dan Distance. Nilai variabel K yang dipakai

adalah 1, 3, 5, 7 dan 9 dan parameter Distance yang dipakai adalah

Euclidean, Cityblock, Cosine dan Correlation,

2. Menghitung jarak titik data uji dengan titik data latih terdekat,

3. Menentukan jumlah titik dari masing-masing kelas latih terdekat yang

terbanyak tergantung nilai variabel K,

4. Mengeluarkan hasil klasifikasi.

Nilai variabel K dan Distance yang lain tidak dipakai karena variabel K dan

Distance yang lain menghasilkan akurasi yang kurang maksimal.

3.6 Performansi Sistem

Sistem diuji dengan menggunakan parameter akurasi. Akurasi merupakan

ukuran ketepatan sistem dalam mengenali input yang diberikan sehingga menghasilkan

output yang benar. Akurasi sistem secara matematis dapat diukur dengan:

28

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =𝐽𝑢𝑚𝑙𝑎ℎ 𝐷𝑎𝑡𝑎 𝐵𝑒𝑛𝑎𝑟

𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑜𝑡𝑎𝑙 𝐷𝑎𝑡𝑎× 100% (15)

Setelah akurasi sistem diukur, kemudian susunan parameter input maupun

outpun sistem yang memiliki akurasi sistem yang maksimal akan dibandingkan waktu

komputasi sistem untuk mengetahui sistem yang bekerja paling cepat. Waktu

komputasi dapat dihitung dengan:

𝑇𝑘𝑜𝑚𝑝𝑢𝑡𝑎𝑠𝑖 =𝑤𝑎𝑘𝑡𝑢 𝑡𝑜𝑡𝑎𝑙 𝑝𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛 𝑠𝑒𝑚𝑢𝑎 𝑑𝑎𝑡𝑎

𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑑𝑖𝑢𝑗𝑖 (16)

3.7 Graphical User Interface

Graphical User Interface (GUI) adalah interface antara user dengan sistem.

GUI dapat memudahkan user dalam menggunakan sistem. Gambar 3.8 menunjukkan

GUI yang dipakai pada tugas akhir ini.

Gambar 3.8 Tampilan GUI

29

Pada tampilan GUI terdapat dua tombol yang bisa digunakan. Tombol Browse

citra digunakan untuk memilih citra yang ingin diklasifikasikan dan tombol Select

Crop Area digunakan untuk melakukan cropping dan memulai komputasi sistem.

Tampilan citra Grayscale menampilkan citra RGB yang dirubah ke bentuk citra

grayscale. Tampila citra hasil Image Enhancement menampilkan citra yang telah

diperbaiki kualitasnya menggunakan metode equalisasi Histogram. Tampilan Result

menunjukkan jenis lesi yang terdeteksi.

3.8 Rencana Pengujian

Dalam rencana pengujian dibahas strategi yang diterapkan untuk menghasilkan

output sistem sehingga output tersebut dapat dianalisis. Berikut rencana pengujian

sistem.

3.6.1 Kebutuhan Perangkat Keras dan Perangkat Lunak

Berikut ini adalah spesifikasi perangkat keras dan perangkat lunak yang

digunakan dalam perancangan sistem.

1. Spesifikasi Perangkat Keras

a. Processor : Intel® Core™ i7-3632QM

b. Memory : 4GB RAM

c. Harddisk : 1TB

d. VGA : NVIDIA GeForce GT 740M

2. Spesifikasi Peragkat lunak

a. Sistem Operasi Windows 8.1 Single Language

b. Matlab R2014a

3.6.2 Skenario Pengujian

Pengujian sistem dilakukan dengan membandingkan hasil output klasifikasi

pada tahap pengujian sistem dengan output yang seharusnya atau target output data uji

sehingga didapatkan akurasi sistem. Berikut adalah langkah-langkah pengujian sistem

30

secara umum. Setiap parameter input maupun output pada tahap ekstraksi ciri dan

klasifikasi dikombinasikan sampai semua pasangan parameter diketahui akurasinya.

Terakhir, waktu komputasi dihitung dan dibandingkan dari 6 pasangan parameter yang

mempunyai akurasi sistem terbaik.

1. Masukkan 66 citra uji,

2. Konversi masing-masing citra input yang sebelumnya citra RGB menjadi citra

grayscale dan perbaiki kualitas citra,

3. Ekstrak fitur masing-masing citra uji dengan property dan sudut GLCM yang

berbeda-beda,

4. Klasifikasikan masing-masing citra uji berdasarkan keluaran property GLCM

dengan nilai variabel K dan Distance yang berbeda-beda,

5. Hitung akurasi sistem,

6. Ulangi langkah 1 sampai 5 hingga semua parameter telah dikombinasikan,

7. Hitung waktu komputasi untuk 6 kombinasi parameter yang menghasilkan akurasi

paling maksimal.

Performansi sistem dilihat dari banyak jumlah hasil pengujian yang sesuai

dengan target kelas citra (akurasi) dan waktu pengujian. Namun Parameter performansi

waktu pengujian dihitung setelah didapatkan susunan parameter input maupun output

yang menghasilkan akurasi maksimal.

Terdapat tiga bagian skenario pengujian performansi. Adapun skenario yang

dilakukan adalah sebagai berikut.

1. Pengujian Ekstraksi Ciri GLCM

Pengujian ini dilakukan dengan membandingkan sudut dalam pembentukan matrix

kookurensi dan parameter output atau property GLCM yang berbeda-beda untuk

kelompok data uji. Sudut yang diuji adalah 00, 450, 900 dan 1350. Parameter output

GLCM yang diuji adalah Contrast, Dissimilarity, Difference Variance dan

Difference Entropy.

31

2. Pengujian Klasifikasi K-NN

Pengujian ini dilakukan dengan membandingkan nilai variabel K dan Distance K-

NN yang bebeda-beda untuk lelompok data uji. Nilai variabel K yang dipakai

adalah 1, 3, 5, 7 dan 9 dan parameter Distance yang dipakai adalah Euclidean,

Cityblock, Cosine dan Correlation.

3. Pengujian Waktu Komputasi

Pengujian ini dilakukan dengan membandingkan waktu komputasi dari 6

kombinasi parameter yang menghasilkan akurasi tertinggi.

32

BAB IV

PENGUJIAN SISTEM DAN ANALISIS

4.1 Data Hasil Pengujian Sistem

Analisis untuk menentukan performansi sistem menggunakan metode GLCM

dan K-NN dilakukan berdasarkan data hasil pengujian. Data hasil pengujian didapatkan

dari memasangkan parameter-parameter output maupun input GLCM dan K-NN. Untuk

mengetahui akurasi sistem yang paling tinggi maka dibuat tabel akurasi sistem. Tabel

akurasi sistem yang lengkap bisa dilihat pada Lampiran A.

4.2 Pengujian Ekstraksi Ciri

Pada metode ekstraksi ciri GLCM terdapat parameter input maupun output yang

dapat mempengaruhi kinerja sistem secara keseluruhan. Parameter input yang diuji

adalah sudut atau arah dalam menentukan matrix kookurensi (00, 450, 900 dan 1350)

dan property GLCM (Contrast, Dissimilarity, Difference Variance dan Difference

Entropy).

4.2.1 Tujuan Pengujian

1. Mengetahui pengaruh sudut GLCM terhadap akurasi sistem.

2. Mengetahui pengaruh parameter output GLCM atau property terhadap akurasi

sistem.

4.2.2 Hasil Pengujian dan Analisis

1. Hasil pengujian sudut GLCM mulai dari 00 sampai dengan 1350 ditunjukkan pada

Tabel 4.1 berikut ini.

33

Tabel 4.1 Akurasi berdasarkan sudut GLCM

No. Sudut Property K Distance

Akurasi

(%)

1 00 Dissimilarity 5

Euclidean /

Cityblock 74,24

2 450 Difference Entropy 7

Euclidean /

Cityblock 69,70

3 900 Difference Entropy 1

Euclidean /

Cityblock 84,85

4 1350

Contrast & Difference

Variance 3

Euclidean /

Cityblock 71,21

Pada sudut 00 dengan property Dissimilarity, nilai variable K 5 dan distance

Eucliean atau Cityblock didapatkan akurasi tertinggi 74,24%. Pada sudut 450 dengan

property Difference Entropy, nilai variabel K 7 dan distance Euclidean atau Cityblock

didapatkan akurasi tertinggi 69,7%. Pada sudut 900 dengan property Difference

Entrophy, nilai variabel K 1 dan distance Euclidean atau Cityblock didapatkan akurasi

tertinggi 84,85%. Pada sudut 1350 dengan property Contrast, nilai variabel K 3 dan

distance Euclidean atau Cityblock didapatkan akurasi tertinggi 71,21%.

Gambar 4.1 Grafik akurasi berdasarkan sudut GLCM

34

Sudut yang memberikan akurasi tertinggi adalah 900 yaitu 84,85%. Sudut

tersebut menghasilkan akurasi yang tinggi karena ketiga kelas uji mempunyai paling

banyak perbedaan fitur Difference Entropy pada sudut 900. Pada sudut tersebut juga

terdapat paling banyak persamaan fitur citra pada satu kelas. Semakin besar atau

semakin kecil sudut GLCM tidak mempengaruhi akurasi.

2. Hasil pengujian property GLCM ditunjukkan pada Tabel 4.2 berikut ini.

Tabel 4.2 Akurasi berdasarkan property GLCM

No. Property Sudut K Distance

Akurasi

(%)

1 Contrast

00 &

1350

7

&

3

Euclidean /

Cityblock 71,21

2 Dissimilarity 00 5

Euclidean /

Cityblock 74,24

3

Difference

Variance

00 &

1350

7

&

3

Euclidean /

Cityblock 71,21

4

Difference

Entropy 900 1

Euclidean /

Cityblock 84,85

Pada property Contrast dengan sudut 00, nilai variabel K 7, dan distance

Euclidean atau Cityblock didapatkan akurasi tertinggi 71,21%. Property Contrast

dengan sudut 1350, nilai variabel K 3 dan distance Euclidean atau Cityblock

menghasilkan akurasi tertinggi 71,21%. Pada Property Dissimilarity dengan sudut 00,

nilai variabel K 5 dan distance Euclidean atau Cityblock didapatkan akurasi tertinggi

74,24%. Pada property Difference Variance dengan sudut 00, nilai variabel K 7 dan

distance Euclidean atau Cityblock didapatkan akurasi tertinggi 71,21%. Property

Difference Variance dengan sudut 1350, nilai variabel K 3 dan distance Euclidean atau

Cityblock menghasilkan akurasi tertinggi 71,21%. Pada property Difference Entropy

35

dengan sudut 900, nilai variabel K 1 dan distance Euclidean atau Cityblock didapatkan

akurasi tertinggi 84,85%.

Gambar 4.2 Grafik akurasi berdasarkan property GLCM

Property GLCM yang memberikan akurasi tertinggi adalah Difference Entropy

dengan akurasi 84,85%. Property GLCM tersebut menghasilkan akurasi yang tinggi

karena selisih keragaman atau Entropy satu kelas data latih memiliki nilai yang

berdekatan. Selain itu nilai Difference Entropy antara satu kelas dengan kelas lain juga

memiliki jarak yang cukup besar. Sehingga pada tahap klasifikasi, K-NN dapat

membedakan masing-masing kelas dengan lebih baik. Nilai property GLCM yang

paling baik adalah nilai yang mempunyai jarak terdekat dengan kelas masing-masing

dan terjauh dengan kelas lain.

4.3 Pengujian Klasifikasi K-NN

Pada metode klasifikasi K-NN terdapat parameter input yang dapat

mempengaruhi kinerja sistem secara keseluruhan. Parameter input yang diuji adalah

nilai variabel K atau jumlah titik yang diperhitungkan dan distance atau jarak K-NN.

Nilai variabel K yang diuji adalah 1, 3, 5, 7 dan 9. Parameter distance yang diuji adalah

Euclidean, Cityblock, Cosine dan Correlation.

36

4.3.1 Tujuan Pengujian

1. Mengetahui pengaruh nilai variabel K atau jumlah data terdekat yang

dipertimbangkan terhadap akurasi sistem.

2. Mengetahui pengaruh distance terhadap akurasi sistem

4.3.2 Hasil Pengujian dan Analisis

1. Hasil pengujian nilai variabel K ditunjukkan pada Tabel 4.3 berikut ini.

Tabel 4.3 Akurasi berdasarkan nilai variabel K

No. K Property Sudut Distance

Akurasi

(%)

1 1

Difference

Entropy 900

Euclidean /

Cityblock 84,85

2 3

Difference

Entropy 900

Euclidean /

Cityblock 74,24

3 5 Dissimilarity 00

Euclidean /

Cityblock 74,24

4 7 Dissimilarity 00

Euclidean /

Cityblock 72,73

5 9 Dissimilarity 00

Euclidean /

Cityblock 69,70

Pada nilai variabel K 1 dengan property Difference Entropy, sudut 900 dan

distance Euclidean atau Cityblock didapatkan akurasi tertinggi 84,85%. Pada nilai

variabel K 3 dengan Difference Entropy, sudut 900 dan distance Euclidean atau

Cityblock didapatkan akurasi tertinggi 74,24%. Pada nilai variabel K 5 dengan

Dissimilarity, sudut 00 dan distance Euclidean atau Cityblock didapatkan akurasi

tertinggi 74,24%. Pada nilai variabel K 7 dengan property Dissimilarity, sudut 00 dan

distance Euclidean atau Cityblock didapatkan akurasi tertinggi 72,73%. Pada nilai

variabel K 9 dengan Dissimilarity, sudut 00 dan distance Euclidean atau Cityblock

didapatkan akurasi tertinggi 69,7%.

37

Gambar 4.3 Grafik akurasi berdasarkan nilai variabel K

Nilai variabel K yang memberikan akurasi tertinggi adalah 1 yaitu 84,85%.

Nilai variabel K tersebut menghasilkan akurasi yang tinggi karena ketika nilai variabel

K 1 batas antar kelas semakin jelas. Semakin besar nilai variabel K maka akurasi

sistem cenderung semakin berkurang. Semakin tinggi nilai variabel K dapat

mengurangi pengaruh noise pada citra namun dapat membuat batasan antar kelas

menjadi tidak jelas.

2. Hasil pengujian parameter Distance K-NN ditunjukkan pada Tabel 4.4 berikut ini.

Tabel 4.4 Akurasi berdasarkan distance K-NN

No. Distance Sudut Property K

Akurasi

(%)

1 Euclidean 900

Difference

Entropy 1 84,85

2 Cityblock 900

Difference

Entropy 1 84,85

3 Cosine semua semua semua 27,27

4 Correlation semua semua semua 27,27

38

Pada distance Euclidean didapatkan akurasi tertinggi 84,85% jika dipasangkan

dengan sudut 900, nilai variabel K 1 dan property Difference Entropy. Distance

Cityblock juga menghasilkan akurasi tertinggi yang sama ketika dipasangkan dengan

parameter yang sama dengan distance Euclidean. Distance Cosine dan Correlation

menghasilkan akurasi yang sama untuk semua skenario pengujian yaitu 27,27%.

Gambar 4.4 Grafik akurasi berdasarkan distance K-NN

Distance Euclidean dan Cityblock menghasilkan akurasi tertinggi 84,85%.

Pemilihan distance K-NN sangat mempengaruhi akurasi sistem. Akurasi sistem yang

dihasilkan distance Euclidean dan Cityblock selalu sama untuk semua skenario

kombinasi karena ekstraksi ciri GLCM hanya menghasilkan satu nilai output untuk

setiap citra sehingga dimensi K-NN hanya 1 dimensi. Jika dimasukkan ke dalam

persamaan Euclidean dan Cityblock, untuk K-NN dengan 1 dimensi, jarak yang

dihasilkan Euclidean akan sama dengan jarak yang dihasilkan Cityblock. Cosine dan

Correlation tidak efektif digunakan untuk sistem karena kedua distance tersebut hanya

menentukan kemiripan dan tidak menentukan kelas dari data uji.

4.4 Pengujian dan Analisis Waktu Komputasi

Dari total skenario pengujian didapatkan 6 kombinasi parameter yang

menghasilkan akurasi yang paling maksimal. Untuk mengetahui sistem yang bekerja

39

dengan performansi terbaik maka perlu dihitung pula waktu komputasi rata-rata untuk

66 data uji untuk masing-masing kombinasi.

Tabel 4.5 Waktu Komputasi

No.

Akurasi

(%) Sudut Property K Distance

Waktu

(ms)

1 84,85 900

Difference

Entropy 1 Euclidean 0,63

2 84,85 900

Difference

Entropy 1 Cityblock 0,64

3 74,24 900

Difference

Entropy 3 Euclidean 0,64

4 74,24 900

Difference

Entropy 3 Cityblock 0,64

5 74,24 00 Dissimilarity 5 Euclidean 0,65

6 74,24 00 Dissimilarity 5 Cityblock 0,66

Gambar 4.5 Grafik Waktu Komputasi.

40

Pada Gambar 4.5 terlihat bahwa kombinasi parameter yang memerlukan waktu

komputasi yang paling cepat yaitu 0,63ms, adalah sudut GLCM 900, property GLCM

Difference Entropy, nilai variabel K 1 dan distance K-NN Euclidean. Perbedaan waktu

komputasi untuk seluruh skenario sangat kecil. Seluruh skenario memerlukan waktu

komputasi yang sedikit.

4.5 Analisis Data Uji

Dari total data uji yang digunakan pada skenario pengujian dengan akurasi

84,85%, masih terdapat 15,15% dari total data uji atau 10 citra uji yang tidak

terklasifikasikan dengan benar.

Tabel 4.6 Hasil Klasifikasi Hairy Leukoplakia

Hairy Leukoplakia

Citra

Uji

Citra

Latih

Jarak

(× 10−3) Klasifikasi

1 2 7,24 1

2 20 7,53 1

3 5 4,32 1

4 47 3,55 3

5 37 7,46 2

6 59 13,56 3

7 12 1,42 1

8 7 1,83 1

9 5 4,52 1

10 49 4,69 3

11 47 14,03 3

12 3 1,29 1

13 54 3,18 3

14 38 0,68 2

15 46 0,90 3

16 46 4,21 3

17 25 44,61 2

18 3 0,22 1

41

Tabel 4.7 Hasil Klasifikasi Homogeneous Leukoplakia

Homogeneous Leukoplakia

Citra

Uji

Citra

Latih

Jarak

(× 10−3) Klasifikasi

1 37 9,27 2

2 26 1,30 2

3 33 54,89 2

4 29 6,07 2

5 31 8,39 2

6 39 7,38 2

7 33 12,62 2

8 39 5,81 2

9 32 14,78 2

10 38 1,76 2

11 29 0,06 2

12 25 11,46 2

13 25 22,11 2

14 34 3,42 2

15 34 3,78 2

16 29 12,83 2

17 21 22,49 2

18 33 7,45 2

19 35 7,06 2

20 36 0,24 2

21 21 4,90 2

22 29 9,17 2

23 33 2,18 2

24 25 16,04 2

42

Tabel 4.8 Hasil Klasifikasi Oral Candidiasis

Oral Candidiasis

Citra

Uji

Citra

Latih

Jarak

(× 10−3) Klasifikasi

1 58 1,34 3

2 55 11,18 3

3 52 11,43 3

4 47 34,19 3

5 52 5,54 3

6 46 14,72 3

7 47 17,71 3

8 59 11,59 3

9 51 3,21 3

10 49 12,03 3

11 45 2,83 3

12 45 6,16 3

13 45 9,18 3

14 49 5,88 3

15 59 10,03 3

16 47 0,14 3

17 50 43,62 3

18 45 2,73 3

19 41 9,08 3

20 50 29,33 3

21 52 3,53 3

22 50 30,73 3

23 41 1,90 3

24 54 0,67 3

Data uji yang tidak terklasifikasi dengan benar hanya terdapat pada data uji

Hairy Leukoplakia. Citra Hairy Leukoplakia mempunyai ciri Difference Entropy yang

mendekati Homogeneous Leukoplakia maupun Oral Candidiasis. Homogeneous

Leukoplakia dan Oral Candidiasis dapat dibedakan dengan baik oleh sistem.

43

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil pengujian dan analisis pengujian sistem, maka dapat ditarik

kesimpulan sebagai berikut.

1. Sistem yang dapat membedakan Hairy Leukoplakia, Homogeneous Leukoplakia

dan Oral Candidiasis telah berhasil dibuat dengan akurasi maksimal sebesar

84,85% dari 66 data citra uji.

2. Akurasi sistem dipengaruhi oleh kecocokan kombinasi sudut GLCM dengan

property GLCM yang digunakan. Akurasi sistem dipengaruhi oleh property GLCM

yang menghasilkan nilai fitur yang berdekatan dalam satu kelas, dan nilai yang

cukup jauh antara satu kelas dengan kelas lain.

3. Akurasi sistem dipengaruhi oleh besar atau kecil nilai variabel K. Semakin besar

nilai variabel K, akurasi sistem cenderung semakin berkurang. Akurasi sistem

dipengaruhi oleh distance K-NN yang bisa menghitung jarak terdekat data uji

dengan tiga kelas data latih dalam 1 dimensi data.

4. Dari analisis waktu komputasi dapat diketahui susunan parameter yang dapat

memberikan performansi paling tinggi yaitu sudut GLCM 900, property GLCM

Difference Entropy, nilai variabel K 1 dan distance K-NN Euclidean dengan waktu

komputasi 0,63ms.

5.2 Saran

Berikut saran yang bisa dilakukan untuk mengembangkan sistem ini.

1. Gunakan metode ekstraksi ciri dan klasifikasi lain yang lebih baik serta bandingkan

performansinya.

2. Buat sistem yang bisa bekerja secara realtime.

3. Uji parameter lain pada metode ekstraksi ciri dan klasifikasi.

44

DAFTAR PUSTAKA

[1] Rangkuti, Nurul Hikmah (2007). Perbedaan Leukoplakia dan Hairy Leukoplakia di

Rongga Mulut. Medan: Fakultas Kedokteran Gigi Universitas Sumatera Utara.

[2] www.doctorfungus.org diakses pada tanggal 7 Juni 2015

[3] Wijaya, Marvin Ch dan Agus Prijono. 2007. Pengolahan Citra Digital Menggunakan

Matlab, Image Processing Toolbox. Bandung: Informatika.

[4] Kadir, Abdul dan Adhi Susanto. 2013. Teori dan Aplikasi Pengolahan Citra.

Yogyakarta: ANDI.

[5] Saputra, Wahyu. 2015. Peningkatan Kualitas Citra Periapikal Radiograf Pada Proses

Deteksi Pulpitis. Bandung: Fakultas Teknik Elektro Telkom University.

[6] Putra, Toni Wijanarko Adi. 2013. Pengenalan Wajah Dengan Matriks Kookurensi

Aras Keabuan dan Jaringan Syaraf Tiruan Probabilistik. Semarang: Program

Pascasarjana Universitas Diponegoro.

[7] Ekasari, Yunidha. 2015. Diagnosis Kanker Serviks Menggunakan Model Recurrent

Neural Network (RNN) Berbasis Graphical User Iinterface (GUI). Yogyakarta:

Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta.

[8] Prasetyo, Eko. 2011. Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab.

Yogyakarta: ANDI.

45

LAMPIRAN A

DATA HASIL PENGUJIAN

No. y 1 2 3 4 5 6 7 8 9 10 11 12

x Pengujian 1 3 5

Euc Cit Cos Cor Euc Cit Cos Cor Euc Cit Cos Cor

1

00

[0 10]

Autocorrelation 48,48 48,48 27,27 27,27 50,00 50,00 27,27 27,27 53,03 53,03 27,27 27,27

2 Contrast 66,67 66,67 27,27 27,27 68,18 68,18 27,27 27,27 69,70 69,70 27,27 27,27

3 Correlation 45,45 45,45 27,27 27,27 37,88 37,88 27,27 27,27 39,39 39,39 27,27 27,27

4 Correlation 45,45 45,45 27,27 27,27 37,88 37,88 27,27 27,27 39,39 39,39 27,27 27,27

5 Cluster Prominence 59,09 59,09 27,27 27,27 57,58 57,58 27,27 27,27 59,09 59,09 27,27 27,27

6 Cluster Shade 25,76 25,76 27,27 27,27 31,82 31,82 27,27 27,27 24,24 24,24 27,27 27,27

7 Dissimilarity 68,18 68,18 27,27 27,27 68,18 68,18 27,27 27,27 74,24 74,24 27,27 27,27

8 Energy 53,03 53,03 27,27 27,27 59,09 59,09 27,27 27,27 62,12 62,12 27,27 27,27

9 Entropy 57,58 57,58 27,27 27,27 62,12 62,12 27,27 27,27 60,61 60,61 27,27 27,27

10 Homogeneity 65,15 65,15 27,27 27,27 62,12 62,12 27,27 27,27 59,09 59,09 27,27 27,27

11 Homogeneity 59,09 59,09 27,27 27,27 63,64 63,64 27,27 27,27 60,61 60,61 27,27 27,27

12 Maximum Probability 56,06 56,06 27,27 27,27 54,55 54,55 27,27 27,27 59,09 59,09 27,27 27,27

13 Variance 46,97 46,97 27,27 27,27 43,94 43,94 27,27 27,27 48,48 48,48 27,27 27,27

14 Sum average 48,48 48,48 27,27 27,27 43,94 43,94 27,27 27,27 53,03 53,03 27,27 27,27

15 Sum variance 51,52 51,52 27,27 27,27 45,45 45,45 27,27 27,27 53,03 53,03 27,27 27,27

16 Sum entropy 53,03 53,03 27,27 27,27 63,64 63,64 27,27 27,27 56,06 56,06 27,27 27,27

17 Difference variance 66,67 66,67 27,27 27,27 68,18 68,18 27,27 27,27 69,70 69,70 27,27 27,27

18 Difference entropy 66,67 66,67 27,27 27,27 62,12 62,12 27,27 27,27 66,67 66,67 27,27 27,27

19 IMC1 43,94 43,94 27,27 27,27 40,91 40,91 27,27 27,27 40,91 40,91 27,27 27,27

20 IMC2 37,88 37,88 27,27 27,27 40,91 40,91 27,27 27,27 37,88 37,88 27,27 27,27

21 INN 68,18 68,18 27,27 27,27 69,70 69,70 27,27 27,27 72,73 72,73 27,27 27,27

22 IDMN 66,67 66,67 27,27 27,27 66,67 66,67 27,27 27,27 69,70 69,70 27,27 27,27

23

450 [-10

10]

Autocorrelation 48,48 48,48 27,27 27,27 51,52 51,52 27,27 27,27 53,03 53,03 27,27 27,27

24 Contrast 53,03 53,03 27,27 27,27 65,15 65,15 27,27 27,27 60,61 60,61 27,27 27,27

25 Correlation 39,39 39,39 27,27 27,27 43,94 43,94 27,27 27,27 36,36 36,36 27,27 27,27

26 Correlation 39,39 39,39 27,27 27,27 43,94 43,94 27,27 27,27 36,36 36,36 27,27 27,27

27 Cluster Prominence 57,58 57,58 27,27 27,27 68,18 68,18 27,27 27,27 66,67 66,67 27,27 27,27

28 Cluster Shade 30,30 30,30 27,27 27,27 31,82 31,82 27,27 27,27 28,79 28,79 27,27 27,27

29 Dissimilarity 50,00 50,00 27,27 27,27 59,09 59,09 27,27 27,27 59,09 59,09 27,27 27,27

30 Energy 60,61 60,61 27,27 27,27 63,64 63,64 27,27 27,27 57,58 57,58 27,27 27,27

31 Entropy 62,12 62,12 27,27 27,27 62,12 62,12 27,27 27,27 59,09 59,09 27,27 27,27

32 Homogeneity 51,52 51,52 27,27 27,27 62,12 62,12 27,27 27,27 62,12 62,12 27,27 27,27

33 Homogeneity 53,03 53,03 27,27 27,27 65,15 65,15 27,27 27,27 63,64 63,64 27,27 27,27

34 Maximum Probability 51,52 51,52 27,27 27,27 54,55 54,55 27,27 27,27 56,06 56,06 27,27 27,27

35 Variance 51,52 51,52 27,27 27,27 42,42 42,42 27,27 27,27 46,97 46,97 27,27 27,27

46

36 Sum average 45,45 45,45 27,27 27,27 45,45 45,45 27,27 27,27 53,03 53,03 27,27 27,27

37 Sum variance 54,55 54,55 27,27 27,27 48,48 48,48 27,27 27,27 48,48 48,48 27,27 27,27

38 Sum entropy 62,12 62,12 27,27 27,27 57,58 57,58 27,27 27,27 65,15 65,15 27,27 27,27

39 Difference variance 53,03 53,03 27,27 27,27 65,15 65,15 27,27 27,27 60,61 60,61 27,27 27,27

40 Difference entropy 63,64 63,64 27,27 27,27 60,61 60,61 27,27 27,27 62,12 62,12 27,27 27,27

41 IMC1 39,39 39,39 27,27 27,27 43,94 43,94 27,27 27,27 42,42 42,42 27,27 27,27

42 IMC2 36,36 36,36 27,27 27,27 37,88 37,88 27,27 27,27 33,33 33,33 27,27 27,27

43 INN 50,00 50,00 27,27 27,27 63,64 63,64 27,27 27,27 62,12 62,12 27,27 27,27

44 IDMN 59,09 59,09 27,27 27,27 65,15 65,15 27,27 27,27 60,61 60,61 27,27 27,27

45

900 [-10

0]

Autocorrelation 51,52 51,52 27,27 27,27 54,55 54,55 27,27 27,27 50,00 50,00 27,27 27,27

46 Contrast 69,70 69,70 27,27 27,27 69,70 69,70 27,27 27,27 69,70 69,70 27,27 27,27

47 Correlation 37,88 37,88 27,27 27,27 40,91 40,91 27,27 27,27 39,39 39,39 27,27 27,27

48 Correlation 37,88 37,88 27,27 27,27 40,91 40,91 27,27 27,27 39,39 39,39 27,27 27,27

49 Cluster Prominence 60,61 60,61 27,27 27,27 57,58 57,58 27,27 27,27 59,09 59,09 27,27 27,27

50 Cluster Shade 36,36 36,36 27,27 27,27 37,88 37,88 27,27 27,27 33,33 33,33 27,27 27,27

51 Dissimilarity 54,55 54,55 27,27 27,27 57,58 57,58 27,27 27,27 60,61 60,61 27,27 27,27

52 Energy 56,06 56,06 27,27 27,27 63,64 63,64 27,27 27,27 63,64 63,64 27,27 27,27

53 Entropy 48,48 48,48 27,27 27,27 60,61 60,61 27,27 27,27 63,64 63,64 27,27 27,27

54 Homogeneity 60,61 60,61 27,27 27,27 62,12 62,12 27,27 27,27 56,06 56,06 27,27 27,27

55 Homogeneity 53,03 53,03 27,27 27,27 56,06 56,06 27,27 27,27 59,09 59,09 27,27 27,27

56 Maximum Probability 62,12 62,12 27,27 27,27 62,12 62,12 27,27 27,27 62,12 62,12 27,27 27,27

57 Variance 45,45 45,45 27,27 27,27 45,45 45,45 27,27 27,27 50,00 50,00 27,27 27,27

58 Sum average 51,52 51,52 27,27 27,27 50,00 50,00 27,27 27,27 51,52 51,52 27,27 27,27

59 Sum variance 59,09 59,09 27,27 27,27 53,03 53,03 27,27 27,27 54,55 54,55 27,27 27,27

60 Sum entropy 65,15 65,15 27,27 27,27 68,18 68,18 27,27 27,27 65,15 65,15 27,27 27,27

61 Difference variance 69,70 69,70 27,27 27,27 69,70 69,70 27,27 27,27 69,70 69,70 27,27 27,27

62 Difference entropy 84,85 84,85 27,27 27,27 74,24 74,24 27,27 27,27 63,64 63,64 27,27 27,27

63 IMC1 45,45 45,45 27,27 27,27 43,94 43,94 27,27 27,27 42,42 42,42 27,27 27,27

64 IMC2 36,36 36,36 27,27 27,27 36,36 36,36 27,27 27,27 36,36 36,36 27,27 27,27

65 INN 56,06 56,06 27,27 27,27 56,06 56,06 27,27 27,27 60,61 60,61 27,27 27,27

66 IDMN 57,58 57,58 27,27 27,27 63,64 63,64 27,27 27,27 68,18 68,18 27,27 27,27

67

1350

[-10 -10]

Autocorrelation 48,48 48,48 27,27 27,27 51,52 51,52 27,27 27,27 51,52 51,52 27,27 27,27

68 Contrast 62,12 62,12 27,27 27,27 71,21 71,21 27,27 27,27 68,18 68,18 27,27 27,27

69 Correlation 37,88 37,88 27,27 27,27 39,39 39,39 27,27 27,27 43,94 43,94 27,27 27,27

70 Correlation 37,88 37,88 27,27 27,27 39,39 39,39 27,27 27,27 43,94 43,94 27,27 27,27

71 Cluster Prominence 53,03 53,03 27,27 27,27 66,67 66,67 27,27 27,27 68,18 68,18 27,27 27,27

72 Cluster Shade 34,85 34,85 27,27 27,27 40,91 40,91 27,27 27,27 48,48 48,48 27,27 27,27

73 Dissimilarity 54,55 54,55 27,27 27,27 56,06 56,06 27,27 27,27 65,15 65,15 27,27 27,27

74 Energy 57,58 57,58 27,27 27,27 59,09 59,09 27,27 27,27 57,58 57,58 27,27 27,27

75 Entropy 56,06 56,06 27,27 27,27 60,61 60,61 27,27 27,27 59,09 59,09 27,27 27,27

76 Homogeneity 56,06 56,06 27,27 27,27 59,09 59,09 27,27 27,27 54,55 54,55 27,27 27,27

77 Homogeneity 54,55 54,55 27,27 27,27 56,06 56,06 27,27 27,27 57,58 57,58 27,27 27,27

47

78 Maximum Probability 57,58 57,58 27,27 27,27 62,12 62,12 27,27 27,27 68,18 68,18 27,27 27,27

79 Variance 54,55 54,55 27,27 27,27 43,94 43,94 27,27 27,27 46,97 46,97 27,27 27,27

80 Sum average 51,52 51,52 27,27 27,27 43,94 43,94 27,27 27,27 51,52 51,52 27,27 27,27

81 Sum variance 53,03 53,03 27,27 27,27 50,00 50,00 27,27 27,27 57,58 57,58 27,27 27,27

82 Sum entropy 62,12 62,12 27,27 27,27 65,15 65,15 27,27 27,27 63,64 63,64 27,27 27,27

83 Difference variance 62,12 62,12 27,27 27,27 71,21 71,21 27,27 27,27 68,18 68,18 27,27 27,27

84 Difference entropy 59,09 59,09 27,27 27,27 63,64 63,64 27,27 27,27 69,70 69,70 27,27 27,27

85 IMC1 46,97 46,97 27,27 27,27 40,91 40,91 27,27 27,27 48,48 48,48 27,27 27,27

86 IMC2 37,88 37,88 27,27 27,27 37,88 37,88 27,27 27,27 39,39 39,39 27,27 27,27

87 INN 57,58 57,58 27,27 27,27 59,09 59,09 27,27 27,27 63,64 63,64 27,27 27,27

88 IDMN 57,58 57,58 27,27 27,27 65,15 65,15 27,27 27,27 65,15 65,15 27,27 27,27

Akurasi Tertinggi 84,85 84,85 27,27 27,27 74,24 74,24 27,27 27,27 74,24 74,24 27,27 27,27

No. y 13 14 15 16 17 18 19 20 21 22 23 24

x Pengujian 7 9 11

Euc Cit Cos Cor Euc Cit Cos Cor Euc Cit Cos Cor

1

00

[0

10]

Autocorrelation 57,58 57,58 27,27 27,27 53,03 53,03 27,27 27,27 57,58 57,58 27,27 27,27

2 Contrast 71,21 71,21 27,27 27,27 65,15 65,15 27,27 27,27 65,15 65,15 27,27 27,27

3 Correlation 36,36 36,36 27,27 27,27 42,42 42,42 27,27 27,27 37,88 37,88 27,27 27,27

4 Correlation 36,36 36,36 27,27 27,27 42,42 42,42 27,27 27,27 37,88 37,88 27,27 27,27

5 Cluster Prominence 60,61 60,61 27,27 27,27 63,64 63,64 27,27 27,27 56,06 56,06 27,27 27,27

6 Cluster Shade 25,76 25,76 27,27 27,27 27,27 27,27 27,27 27,27 27,27 27,27 27,27 27,27

7 Dissimilarity 72,73 72,73 27,27 27,27 69,70 69,70 27,27 27,27 65,15 65,15 27,27 27,27

8 Energy 60,61 60,61 27,27 27,27 62,12 62,12 27,27 27,27 66,67 66,67 27,27 27,27

9 Entropy 62,12 62,12 27,27 27,27 57,58 57,58 27,27 27,27 63,64 63,64 27,27 27,27

10 Homogeneity 60,61 60,61 27,27 27,27 66,67 66,67 27,27 27,27 62,12 62,12 27,27 27,27

11 Homogeneity 60,61 60,61 27,27 27,27 68,18 68,18 27,27 27,27 62,12 62,12 27,27 27,27

12 Maximum Probability 63,64 63,64 27,27 27,27 62,12 62,12 27,27 27,27 65,15 65,15 27,27 27,27

13 Variance 50,00 50,00 27,27 27,27 51,52 51,52 27,27 27,27 53,03 53,03 27,27 27,27

14 Sum average 57,58 57,58 27,27 27,27 57,58 57,58 27,27 27,27 57,58 57,58 27,27 27,27

15 Sum variance 60,61 60,61 27,27 27,27 60,61 60,61 27,27 27,27 60,61 60,61 27,27 27,27

16 Sum entropy 57,58 57,58 27,27 27,27 63,64 63,64 27,27 27,27 65,15 65,15 27,27 27,27

17 Difference variance 71,21 71,21 27,27 27,27 65,15 65,15 27,27 27,27 65,15 65,15 27,27 27,27

18 Difference entropy 66,67 66,67 27,27 27,27 68,18 68,18 27,27 27,27 66,67 66,67 27,27 27,27

19 IMC1 43,94 43,94 27,27 27,27 46,97 46,97 27,27 27,27 48,48 48,48 27,27 27,27

20 IMC2 36,36 36,36 27,27 27,27 40,91 40,91 27,27 27,27 45,45 45,45 27,27 27,27

21 INN 66,67 66,67 27,27 27,27 69,70 69,70 27,27 27,27 66,67 66,67 27,27 27,27

22 IDMN 72,73 72,73 27,27 27,27 68,18 68,18 27,27 27,27 66,67 66,67 27,27 27,27

23 450 [-10

10]

Autocorrelation 57,58 57,58 27,27 27,27 57,58 57,58 27,27 27,27 57,58 57,58 27,27 27,27

24 Contrast 66,67 66,67 27,27 27,27 63,64 63,64 27,27 27,27 68,18 68,18 27,27 27,27

48

25 Correlation 33,33 33,33 27,27 27,27 34,85 34,85 27,27 27,27 37,88 37,88 27,27 27,27

26 Correlation 33,33 33,33 27,27 27,27 34,85 34,85 27,27 27,27 37,88 37,88 27,27 27,27

27 Cluster Prominence 69,70 69,70 27,27 27,27 69,70 69,70 27,27 27,27 71,21 71,21 27,27 27,27

28 Cluster Shade 37,88 37,88 27,27 27,27 30,30 30,30 27,27 27,27 28,79 28,79 27,27 27,27

29 Dissimilarity 66,67 66,67 27,27 27,27 66,67 66,67 27,27 27,27 66,67 66,67 27,27 27,27

30 Energy 63,64 63,64 27,27 27,27 65,15 65,15 27,27 27,27 66,67 66,67 27,27 27,27

31 Entropy 60,61 60,61 27,27 27,27 62,12 62,12 27,27 27,27 62,12 62,12 27,27 27,27

32 Homogeneity 59,09 59,09 27,27 27,27 65,15 65,15 27,27 27,27 68,18 68,18 27,27 27,27

33 Homogeneity 60,61 60,61 27,27 27,27 63,64 63,64 27,27 27,27 68,18 68,18 27,27 27,27

34 Maximum Probability 65,15 65,15 27,27 27,27 60,61 60,61 27,27 27,27 65,15 65,15 27,27 27,27

35 Variance 54,55 54,55 27,27 27,27 53,03 53,03 27,27 27,27 54,55 54,55 27,27 27,27

36 Sum average 54,55 54,55 27,27 27,27 57,58 57,58 27,27 27,27 57,58 57,58 27,27 27,27

37 Sum variance 59,09 59,09 27,27 27,27 59,09 59,09 27,27 27,27 60,61 60,61 27,27 27,27

38 Sum entropy 65,15 65,15 27,27 27,27 65,15 65,15 27,27 27,27 66,67 66,67 27,27 27,27

39 Difference variance 66,67 66,67 27,27 27,27 63,64 63,64 27,27 27,27 68,18 68,18 27,27 27,27

40 Difference entropy 69,70 69,70 27,27 27,27 65,15 65,15 27,27 27,27 68,18 68,18 27,27 27,27

41 IMC1 37,88 37,88 27,27 27,27 39,39 39,39 27,27 27,27 40,91 40,91 27,27 27,27

42 IMC2 39,39 39,39 27,27 27,27 31,82 31,82 27,27 27,27 37,88 37,88 27,27 27,27

43 INN 68,18 68,18 27,27 27,27 65,15 65,15 27,27 27,27 65,15 65,15 27,27 27,27

44 IDMN 63,64 63,64 27,27 27,27 69,70 69,70 27,27 27,27 69,70 69,70 27,27 27,27

45

900

[-10

0]

Autocorrelation 54,55 54,55 27,27 27,27 56,06 56,06 27,27 27,27 57,58 57,58 27,27 27,27

46 Contrast 66,67 66,67 27,27 27,27 63,64 63,64 27,27 27,27 62,12 62,12 27,27 27,27

47 Correlation 43,94 43,94 27,27 27,27 40,91 40,91 27,27 27,27 46,97 46,97 27,27 27,27

48 Correlation 43,94 43,94 27,27 27,27 40,91 40,91 27,27 27,27 46,97 46,97 27,27 27,27

49 Cluster Prominence 60,61 60,61 27,27 27,27 62,12 62,12 27,27 27,27 63,64 63,64 27,27 27,27

50 Cluster Shade 30,30 30,30 27,27 27,27 31,82 31,82 27,27 27,27 33,33 33,33 27,27 27,27

51 Dissimilarity 59,09 59,09 27,27 27,27 62,12 62,12 27,27 27,27 59,09 59,09 27,27 27,27

52 Energy 60,61 60,61 27,27 27,27 57,58 57,58 27,27 27,27 60,61 60,61 27,27 27,27

53 Entropy 62,12 62,12 27,27 27,27 59,09 59,09 27,27 27,27 62,12 62,12 27,27 27,27

54 Homogeneity 60,61 60,61 27,27 27,27 62,12 62,12 27,27 27,27 60,61 60,61 27,27 27,27

55 Homogeneity 62,12 62,12 27,27 27,27 60,61 60,61 27,27 27,27 60,61 60,61 27,27 27,27

56 Maximum Probability 66,67 66,67 27,27 27,27 63,64 63,64 27,27 27,27 63,64 63,64 27,27 27,27

57 Variance 51,52 51,52 27,27 27,27 54,55 54,55 27,27 27,27 53,03 53,03 27,27 27,27

58 Sum average 56,06 56,06 27,27 27,27 57,58 57,58 27,27 27,27 57,58 57,58 27,27 27,27

59 Sum variance 59,09 59,09 27,27 27,27 59,09 59,09 27,27 27,27 60,61 60,61 27,27 27,27

60 Sum entropy 66,67 66,67 27,27 27,27 71,21 71,21 27,27 27,27 66,67 66,67 27,27 27,27

61 Difference variance 66,67 66,67 27,27 27,27 63,64 63,64 27,27 27,27 62,12 62,12 27,27 27,27

62 Difference entropy 68,18 68,18 27,27 27,27 68,18 68,18 27,27 27,27 62,12 62,12 27,27 27,27

63 IMC1 37,88 37,88 27,27 27,27 37,88 37,88 27,27 27,27 45,45 45,45 27,27 27,27

64 IMC2 36,36 36,36 27,27 27,27 42,42 42,42 27,27 27,27 42,42 42,42 27,27 27,27

65 INN 59,09 59,09 27,27 27,27 59,09 59,09 27,27 27,27 59,09 59,09 27,27 27,27

66 IDMN 60,61 60,61 27,27 27,27 59,09 59,09 27,27 27,27 62,12 62,12 27,27 27,27

49

67

1350

[-10

-10]

Autocorrelation 56,06 56,06 27,27 27,27 56,06 56,06 27,27 27,27 57,58 57,58 27,27 27,27

68 Contrast 65,15 65,15 27,27 27,27 65,15 65,15 27,27 27,27 65,15 65,15 27,27 27,27

69 Correlation 45,45 45,45 27,27 27,27 46,97 46,97 27,27 27,27 40,91 40,91 27,27 27,27

70 Correlation 45,45 45,45 27,27 27,27 46,97 46,97 27,27 27,27 40,91 40,91 27,27 27,27

71 Cluster Prominence 62,12 62,12 27,27 27,27 65,15 65,15 27,27 27,27 66,67 66,67 27,27 27,27

72 Cluster Shade 39,39 39,39 27,27 27,27 37,88 37,88 27,27 27,27 34,85 34,85 27,27 27,27

73 Dissimilarity 68,18 68,18 27,27 27,27 66,67 66,67 27,27 27,27 65,15 65,15 27,27 27,27

74 Energy 57,58 57,58 27,27 27,27 65,15 65,15 27,27 27,27 69,70 69,70 27,27 27,27

75 Entropy 59,09 59,09 27,27 27,27 59,09 59,09 27,27 27,27 62,12 62,12 27,27 27,27

76 Homogeneity 62,12 62,12 27,27 27,27 62,12 62,12 27,27 27,27 63,64 63,64 27,27 27,27

77 Homogeneity 62,12 62,12 27,27 27,27 65,15 65,15 27,27 27,27 63,64 63,64 27,27 27,27

78 Maximum Probability 62,12 62,12 27,27 27,27 68,18 68,18 27,27 27,27 62,12 62,12 27,27 27,27

79 Variance 50,00 50,00 27,27 27,27 53,03 53,03 27,27 27,27 54,55 54,55 27,27 27,27

80 Sum average 54,55 54,55 27,27 27,27 57,58 57,58 27,27 27,27 59,09 59,09 27,27 27,27

81 Sum variance 60,61 60,61 27,27 27,27 59,09 59,09 27,27 27,27 60,61 60,61 27,27 27,27

82 Sum entropy 65,15 65,15 27,27 27,27 65,15 65,15 27,27 27,27 62,12 62,12 27,27 27,27

83 Difference variance 65,15 65,15 27,27 27,27 65,15 65,15 27,27 27,27 65,15 65,15 27,27 27,27

84 Difference entropy 63,64 63,64 27,27 27,27 68,18 68,18 27,27 27,27 69,70 69,70 27,27 27,27

85 IMC1 46,97 46,97 27,27 27,27 43,94 43,94 27,27 27,27 48,48 48,48 27,27 27,27

86 IMC2 45,45 45,45 27,27 27,27 45,45 45,45 27,27 27,27 42,42 42,42 27,27 27,27

87 INN 68,18 68,18 27,27 27,27 65,15 65,15 27,27 27,27 63,64 63,64 27,27 27,27

88 IDMN 66,67 66,67 27,27 27,27 66,67 66,67 27,27 27,27 66,67 66,67 27,27 27,27

Akurasi Tertinggi 72,73 72,73 27,27 27,27 71,21 71,21 27,27 27,27 71,21 71,21 27,27 27,27

No. y 25 26 27 28 29 30 31 32

x Pengujian 13 15

Euc Cit Cos Cor Euc Cit Cos Cor

1

00

[0 10]

Autocorrelation 56,06 56,06 27,27 27,27 57,58 57,58 27,27 27,27

2 Contrast 68,18 68,18 27,27 27,27 59,09 59,09 27,27 27,27

3 Correlation 40,91 40,91 27,27 27,27 42,42 42,42 27,27 27,27

4 Correlation 40,91 40,91 27,27 27,27 42,42 42,42 27,27 27,27

5 Cluster Prominence 68,18 68,18 27,27 27,27 66,67 66,67 27,27 27,27

6 Cluster Shade 25,76 25,76 27,27 27,27 25,76 25,76 27,27 27,27

7 Dissimilarity 65,15 65,15 27,27 27,27 65,15 65,15 27,27 27,27

8 Energy 68,18 68,18 27,27 27,27 62,12 62,12 27,27 27,27

9 Entropy 62,12 62,12 27,27 27,27 63,64 63,64 27,27 27,27

10 Homogeneity 63,64 63,64 27,27 27,27 65,15 65,15 27,27 27,27

11 Homogeneity 62,12 62,12 27,27 27,27 62,12 62,12 27,27 27,27

12 Maximum Probability 68,18 68,18 27,27 27,27 66,67 66,67 27,27 27,27

13 Variance 51,52 51,52 27,27 27,27 50,00 50,00 27,27 27,27

50

14 Sum average 57,58 57,58 27,27 27,27 56,06 56,06 27,27 27,27

15 Sum variance 60,61 60,61 27,27 27,27 56,06 56,06 27,27 27,27

16 Sum entropy 63,64 63,64 27,27 27,27 69,70 69,70 27,27 27,27

17 Difference variance 68,18 68,18 27,27 27,27 59,09 59,09 27,27 27,27

18 Difference entropy 66,67 66,67 27,27 27,27 65,15 65,15 27,27 27,27

19 IMC1 45,45 45,45 27,27 27,27 46,97 46,97 27,27 27,27

20 IMC2 46,97 46,97 27,27 27,27 45,45 45,45 27,27 27,27

21 INN 69,70 69,70 27,27 27,27 66,67 66,67 27,27 27,27

22 IDMN 66,67 66,67 27,27 27,27 65,15 65,15 27,27 27,27

23

450 [-10

10]

Autocorrelation 57,58 57,58 27,27 27,27 56,06 56,06 27,27 27,27

24 Contrast 66,67 66,67 27,27 27,27 66,67 66,67 27,27 27,27

25 Correlation 37,88 37,88 27,27 27,27 40,91 40,91 27,27 27,27

26 Correlation 37,88 37,88 27,27 27,27 40,91 40,91 27,27 27,27

27 Cluster Prominence 62,12 62,12 27,27 27,27 66,67 66,67 27,27 27,27

28 Cluster Shade 21,21 21,21 27,27 27,27 24,24 24,24 27,27 27,27

29 Dissimilarity 66,67 66,67 27,27 27,27 63,64 63,64 27,27 27,27

30 Energy 60,61 60,61 27,27 27,27 66,67 66,67 27,27 27,27

31 Entropy 65,15 65,15 27,27 27,27 62,12 62,12 27,27 27,27

32 Homogeneity 65,15 65,15 27,27 27,27 68,18 68,18 27,27 27,27

33 Homogeneity 63,64 63,64 27,27 27,27 69,70 69,70 27,27 27,27

34 Maximum Probability 63,64 63,64 27,27 27,27 71,21 71,21 27,27 27,27

35 Variance 53,03 53,03 27,27 27,27 53,03 53,03 27,27 27,27

36 Sum average 54,55 54,55 27,27 27,27 57,58 57,58 27,27 27,27

37 Sum variance 60,61 60,61 27,27 27,27 59,09 59,09 27,27 27,27

38 Sum entropy 71,21 71,21 27,27 27,27 72,73 72,73 27,27 27,27

39 Difference variance 66,67 66,67 27,27 27,27 66,67 66,67 27,27 27,27

40 Difference entropy 66,67 66,67 27,27 27,27 63,64 63,64 27,27 27,27

41 IMC1 42,42 42,42 27,27 27,27 40,91 40,91 27,27 27,27

42 IMC2 34,85 34,85 27,27 27,27 36,36 36,36 27,27 27,27

43 INN 63,64 63,64 27,27 27,27 69,70 69,70 27,27 27,27

44 IDMN 66,67 66,67 27,27 27,27 68,18 68,18 27,27 27,27

45

900

[-10 0]

Autocorrelation 56,06 56,06 27,27 27,27 56,06 56,06 27,27 27,27

46 Contrast 60,61 60,61 27,27 27,27 63,64 63,64 27,27 27,27

47 Correlation 46,97 46,97 27,27 27,27 43,94 43,94 27,27 27,27

48 Correlation 46,97 46,97 27,27 27,27 43,94 43,94 27,27 27,27

49 Cluster Prominence 65,15 65,15 27,27 27,27 66,67 66,67 27,27 27,27

50 Cluster Shade 33,33 33,33 27,27 27,27 33,33 33,33 27,27 27,27

51 Dissimilarity 62,12 62,12 27,27 27,27 59,09 59,09 27,27 27,27

52 Energy 60,61 60,61 27,27 27,27 57,58 57,58 27,27 27,27

53 Entropy 62,12 62,12 27,27 27,27 60,61 60,61 27,27 27,27

54 Homogeneity 57,58 57,58 27,27 27,27 60,61 60,61 27,27 27,27

55 Homogeneity 56,06 56,06 27,27 27,27 60,61 60,61 27,27 27,27

51

56 Maximum Probability 63,64 63,64 27,27 27,27 63,64 63,64 27,27 27,27

57 Variance 53,03 53,03 27,27 27,27 51,52 51,52 27,27 27,27

58 Sum average 56,06 56,06 27,27 27,27 56,06 56,06 27,27 27,27

59 Sum variance 57,58 57,58 27,27 27,27 56,06 56,06 27,27 27,27

60 Sum entropy 68,18 68,18 27,27 27,27 68,18 68,18 27,27 27,27

61 Difference variance 60,61 60,61 27,27 27,27 63,64 63,64 27,27 27,27

62 Difference entropy 62,12 62,12 27,27 27,27 63,64 63,64 27,27 27,27

63 IMC1 48,48 48,48 27,27 27,27 45,45 45,45 27,27 27,27

64 IMC2 43,94 43,94 27,27 27,27 45,45 45,45 27,27 27,27

65 INN 60,61 60,61 27,27 27,27 63,64 63,64 27,27 27,27

66 IDMN 60,61 60,61 27,27 27,27 62,12 62,12 27,27 27,27

67

1350

[-10

-10]

Autocorrelation 56,06 56,06 27,27 27,27 56,06 56,06 27,27 27,27

68 Contrast 65,15 65,15 27,27 27,27 63,64 63,64 27,27 27,27

69 Correlation 40,91 40,91 27,27 27,27 40,91 40,91 27,27 27,27

70 Correlation 40,91 40,91 27,27 27,27 40,91 40,91 27,27 27,27

71 Cluster Prominence 62,12 62,12 27,27 27,27 65,15 65,15 27,27 27,27

72 Cluster Shade 40,91 40,91 27,27 27,27 36,36 36,36 27,27 27,27

73 Dissimilarity 65,15 65,15 27,27 27,27 65,15 65,15 27,27 27,27

74 Energy 66,67 66,67 27,27 27,27 62,12 62,12 27,27 27,27

75 Entropy 66,67 66,67 27,27 27,27 65,15 65,15 27,27 27,27

76 Homogeneity 62,12 62,12 27,27 27,27 60,61 60,61 27,27 27,27

77 Homogeneity 62,12 62,12 27,27 27,27 60,61 60,61 27,27 27,27

78 Maximum Probability 65,15 65,15 27,27 27,27 63,64 63,64 27,27 27,27

79 Variance 53,03 53,03 27,27 27,27 53,03 53,03 27,27 27,27

80 Sum average 57,58 57,58 27,27 27,27 57,58 57,58 27,27 27,27

81 Sum variance 62,12 62,12 27,27 27,27 57,58 57,58 27,27 27,27

82 Sum entropy 62,12 62,12 27,27 27,27 65,15 65,15 27,27 27,27

83 Difference variance 65,15 65,15 27,27 27,27 63,64 63,64 27,27 27,27

84 Difference entropy 63,64 63,64 27,27 27,27 68,18 68,18 27,27 27,27

85 IMC1 48,48 48,48 27,27 27,27 48,48 48,48 27,27 27,27

86 IMC2 43,94 43,94 27,27 27,27 50,00 50,00 27,27 27,27

87 INN 63,64 63,64 27,27 27,27 63,64 63,64 27,27 27,27

88 IDMN 66,67 66,67 27,27 27,27 65,15 65,15 27,27 27,27

Akurasi Tertinggi 71,21 71,21 27,27 27,27 72,73 72,73 27,27 27,27

No. y 33 34 35 36 37 38 39 40

x Pengujian 17 19

Euc Cit Cos Cor Euc Cit Cos Cor

1 00 [0

10]

Autocorrelation 56,06 56,06 27,27 27,27 57,58 57,58 27,27 27,27

2 Contrast 65,15 65,15 27,27 27,27 63,64 63,64 27,27 27,27

52

3 Correlation 45,45 45,45 27,27 27,27 42,42 42,42 27,27 27,27

4 Correlation 45,45 45,45 27,27 27,27 42,42 42,42 27,27 27,27

5 Cluster Prominence 66,67 66,67 27,27 27,27 66,67 66,67 27,27 27,27

6 Cluster Shade 22,73 22,73 27,27 27,27 25,76 25,76 27,27 27,27

7 Dissimilarity 66,67 66,67 27,27 27,27 63,64 63,64 27,27 27,27

8 Energy 62,12 62,12 27,27 27,27 65,15 65,15 27,27 27,27

9 Entropy 63,64 63,64 27,27 27,27 60,61 60,61 27,27 27,27

10 Homogeneity 60,61 60,61 27,27 27,27 62,12 62,12 27,27 27,27

11 Homogeneity 60,61 60,61 27,27 27,27 63,64 63,64 27,27 27,27

12 Maximum Probability 62,12 62,12 27,27 27,27 66,67 66,67 27,27 27,27

13 Variance 48,48 48,48 27,27 27,27 50,00 50,00 27,27 27,27

14 Sum average 54,55 54,55 27,27 27,27 56,06 56,06 27,27 27,27

15 Sum variance 57,58 57,58 27,27 27,27 56,06 56,06 27,27 27,27

16 Sum entropy 69,70 69,70 27,27 27,27 69,70 69,70 27,27 27,27

17 Difference variance 65,15 65,15 27,27 27,27 63,64 63,64 27,27 27,27

18 Difference entropy 59,09 59,09 27,27 27,27 60,61 60,61 27,27 27,27

19 IMC1 56,06 56,06 27,27 27,27 51,52 51,52 27,27 27,27

20 IMC2 46,97 46,97 27,27 27,27 46,97 46,97 27,27 27,27

21 INN 68,18 68,18 27,27 27,27 57,58 57,58 27,27 27,27

22 IDMN 65,15 65,15 27,27 27,27 65,15 65,15 27,27 27,27

23

450

[-10

10]

Autocorrelation 57,58 57,58 27,27 27,27 54,55 54,55 27,27 27,27

24 Contrast 63,64 63,64 27,27 27,27 69,70 69,70 27,27 27,27

25 Correlation 42,42 42,42 27,27 27,27 40,91 40,91 27,27 27,27

26 Correlation 42,42 42,42 27,27 27,27 40,91 40,91 27,27 27,27

27 Cluster Prominence 65,15 65,15 27,27 27,27 63,64 63,64 27,27 27,27

28 Cluster Shade 24,24 24,24 27,27 27,27 25,76 25,76 27,27 27,27

29 Dissimilarity 71,21 71,21 27,27 27,27 65,15 65,15 27,27 27,27

30 Energy 65,15 65,15 27,27 27,27 65,15 65,15 27,27 27,27

31 Entropy 63,64 63,64 27,27 27,27 65,15 65,15 27,27 27,27

32 Homogeneity 68,18 68,18 27,27 27,27 69,70 69,70 27,27 27,27

33 Homogeneity 69,70 69,70 27,27 27,27 69,70 69,70 27,27 27,27

34 Maximum Probability 71,21 71,21 27,27 27,27 68,18 68,18 27,27 27,27

35 Variance 48,48 48,48 27,27 27,27 48,48 48,48 27,27 27,27

36 Sum average 56,06 56,06 27,27 27,27 56,06 56,06 27,27 27,27

37 Sum variance 57,58 57,58 27,27 27,27 57,58 57,58 27,27 27,27

38 Sum entropy 63,64 63,64 27,27 27,27 68,18 68,18 27,27 27,27

39 Difference variance 63,64 63,64 27,27 27,27 69,70 69,70 27,27 27,27

40 Difference entropy 66,67 66,67 27,27 27,27 66,67 66,67 27,27 27,27

41 IMC1 45,45 45,45 27,27 27,27 42,42 42,42 27,27 27,27

42 IMC2 42,42 42,42 27,27 27,27 43,94 43,94 27,27 27,27

43 INN 71,21 71,21 27,27 27,27 66,67 66,67 27,27 27,27

44 IDMN 66,67 66,67 27,27 27,27 68,18 68,18 27,27 27,27

53

45

900

[-10

0]

Autocorrelation 56,06 56,06 27,27 27,27 54,55 54,55 27,27 27,27

46 Contrast 63,64 63,64 27,27 27,27 63,64 63,64 27,27 27,27

47 Correlation 43,94 43,94 27,27 27,27 45,45 45,45 27,27 27,27

48 Correlation 43,94 43,94 27,27 27,27 45,45 45,45 27,27 27,27

49 Cluster Prominence 63,64 63,64 27,27 27,27 65,15 65,15 27,27 27,27

50 Cluster Shade 36,36 36,36 27,27 27,27 31,82 31,82 27,27 27,27

51 Dissimilarity 60,61 60,61 27,27 27,27 63,64 63,64 27,27 27,27

52 Energy 68,18 68,18 27,27 27,27 68,18 68,18 27,27 27,27

53 Entropy 60,61 60,61 27,27 27,27 60,61 60,61 27,27 27,27

54 Homogeneity 62,12 62,12 27,27 27,27 63,64 63,64 27,27 27,27

55 Homogeneity 63,64 63,64 27,27 27,27 63,64 63,64 27,27 27,27

56 Maximum Probability 62,12 62,12 27,27 27,27 66,67 66,67 27,27 27,27

57 Variance 48,48 48,48 27,27 27,27 48,48 48,48 27,27 27,27

58 Sum average 56,06 56,06 27,27 27,27 56,06 56,06 27,27 27,27

59 Sum variance 56,06 56,06 27,27 27,27 56,06 56,06 27,27 27,27

60 Sum entropy 71,21 71,21 27,27 27,27 68,18 68,18 27,27 27,27

61 Difference variance 63,64 63,64 27,27 27,27 63,64 63,64 27,27 27,27

62 Difference entropy 65,15 65,15 27,27 27,27 66,67 66,67 27,27 27,27

63 IMC1 45,45 45,45 27,27 27,27 48,48 48,48 27,27 27,27

64 IMC2 45,45 45,45 27,27 27,27 42,42 42,42 27,27 27,27

65 INN 60,61 60,61 27,27 27,27 62,12 62,12 27,27 27,27

66 IDMN 63,64 63,64 27,27 27,27 59,09 59,09 27,27 27,27

67

1350 [-10

-10]

Autocorrelation 56,06 56,06 27,27 27,27 56,06 56,06 27,27 27,27

68 Contrast 63,64 63,64 27,27 27,27 68,18 68,18 27,27 27,27

69 Correlation 45,45 45,45 27,27 27,27 40,91 40,91 27,27 27,27

70 Correlation 45,45 45,45 27,27 27,27 40,91 40,91 27,27 27,27

71 Cluster Prominence 68,18 68,18 27,27 27,27 66,67 66,67 27,27 27,27

72 Cluster Shade 36,36 36,36 27,27 27,27 36,36 36,36 27,27 27,27

73 Dissimilarity 62,12 62,12 27,27 27,27 62,12 62,12 27,27 27,27

74 Energy 63,64 63,64 27,27 27,27 66,67 66,67 27,27 27,27

75 Entropy 60,61 60,61 27,27 27,27 65,15 65,15 27,27 27,27

76 Homogeneity 62,12 62,12 27,27 27,27 62,12 62,12 27,27 27,27

77 Homogeneity 62,12 62,12 27,27 27,27 62,12 62,12 27,27 27,27

78 Maximum Probability 66,67 66,67 27,27 27,27 66,67 66,67 27,27 27,27

79 Variance 51,52 51,52 27,27 27,27 50,00 50,00 27,27 27,27

80 Sum average 56,06 56,06 27,27 27,27 56,06 56,06 27,27 27,27

81 Sum variance 59,09 59,09 27,27 27,27 57,58 57,58 27,27 27,27

82 Sum entropy 66,67 66,67 27,27 27,27 71,21 71,21 27,27 27,27

83 Difference variance 63,64 63,64 27,27 27,27 68,18 68,18 27,27 27,27

84 Difference entropy 69,70 69,70 27,27 27,27 75,76 75,76 27,27 27,27

85 IMC1 46,97 46,97 27,27 27,27 43,94 43,94 27,27 27,27

86 IMC2 43,94 43,94 27,27 27,27 40,91 40,91 27,27 27,27

54

87 INN 65,15 65,15 27,27 27,27 62,12 62,12 27,27 27,27

88 IDMN 65,15 65,15 27,27 27,27 65,15 65,15 27,27 27,27

Akurasi Tertinggi 71,21 71,21 27,27 27,27 75,76 75,76 27,27 27,27

55

LAMPIRAN B

CITRA

1. Hairy Leukoplakia

No. Gambar Sumber

1

http://www.quattrodental.com.au/dtg/Dental/tgc/dtg/2905.htm

2

http://imgbuddy.com/oral-hairy-leukoplakia.asp

3

http://imgbuddy.com/oral-hairy-leukoplakia.asp

4

http://www.hivwebstudy.org/cases/oral-manifestations/oral-hairy-leukoplakia

5

http://www.aids-

images.ch/search/index?ImageType=Photographs&Keywords=Leukoplakia+(oral+hairy+

or+villous+leukoplakia)&OrganSystem=Skin+and+mucosa

6

http://imgbuddy.com/oral-hairy-leukoplakia.asp

7

http://www.lookfordiagnosis.com/mesh_info.php?term=Leukoplakia%2C+Hairy&lang=1

8

http://www.lookfordiagnosis.com/mesh_info.php?term=Leukoplakia%2C+Hairy&lang=1

9

http://www.lookfordiagnosis.com/mesh_info.php?term=Leukoplakia%2C+Hairy&lang=1

10

http://www.lookfordiagnosis.com/mesh_info.php?term=Leukoplakia%2C+Hairy&lang=1

11

http://www.lookfordiagnosis.com/mesh_info.php?term=Leukoplakia%2C+Hairy&lang=1

12

http://www.dentalstrings.com/2012/02/hairy-leukoplakia.html

13

http://bestpractice.bmj.com/best-practice/monograph/621/resources/image/bp/6.html

14

http://hardinmd.lib.uiowa.edu/cdc/6061.html

15

http://hardinmd.lib.uiowa.edu/cdc/6059.html

56

16

http://hardinmd.lib.uiowa.edu/cdc/6060.html

17

http://www.dermis.net/dermisroot/en/11057/image.htm

18

http://www.hivdent.org/_picturegallery_/OralHairyLeukoplakia1.htm

19

http://www.hivdent.org/_picturegallery_/OralHairyLeukoplakia3.htm

20

http://imgbuddy.com/oral-hairy-leukoplakia.asp

21

http://www.aids-

images.ch/search/index?ImageType=Photographs&Keywords=Leukoplakia+(oral+hairy+

or+villous+leukoplakia)&OrganSystem=Skin+and+mucosa

22

http://imgbuddy.com/oral-hairy-leukoplakia.asp

23

http://www1.lf1.cuni.cz/~hrozs/hiveng1.htm

24

http://diagnosisdude.com/about-2/xtracontent/hairy-leukoplakia/

25

http://healthool.com/hairy-leukoplakia/

26

http://www.fujita-hu.ac.jp/~tsutsumi/photo/photo033-1.htm

27

http://burketsoralmedicine.blogspot.com/2012/11/infectious-white-lesions-and-white-

and.html

28

http://www.regionalderm.com/Regional_Derm/rd_regional/qr_tongue.html

29

http://www.acpinternist.org/archives/2012/05/mksap.htm

30

http://www.aids-

images.ch/search/index?ImageType=Photographs&Keywords=Leukoplakia+(oral+hairy+

or+villous+leukoplakia)&OrganSystem=Skin+and+mucosa

31

http://www.aids-

images.ch/search/index?ImageType=Photographs&Keywords=Leukoplakia+(oral+hairy+

or+villous+leukoplakia)&OrganSystem=Skin+and+mucosa

32

http://www.aids-

images.ch/search/index?ImageType=Photographs&Keywords=Leukoplakia+(oral+hairy+

or+villous+leukoplakia)&OrganSystem=Skin+and+mucosa

57

33

http://www.aids-

images.ch/search/index?ImageType=Photographs&Keywords=Leukoplakia+(oral+hairy+

or+villous+leukoplakia)&OrganSystem=Skin+and+mucosa

34

http://www.aids-

images.ch/search/index?ImageType=Photographs&Keywords=Leukoplakia+(oral+hairy+

or+villous+leukoplakia)&OrganSystem=Skin+and+mucosa

35

http://www.aids-

images.ch/search/index?ImageType=Photographs&Keywords=Leukoplakia+(oral+hairy+

or+villous+leukoplakia)&OrganSystem=Skin+and+mucosa

36

http://www.aids-

images.ch/search/index?ImageType=Photographs&Keywords=Leukoplakia+(oral+hairy+

or+villous+leukoplakia)&OrganSystem=Skin+and+mucosa

37

http://www.aids-

images.ch/search/index?ImageType=Photographs&Keywords=Leukoplakia+(oral+hairy+

or+villous+leukoplakia)&OrganSystem=Skin+and+mucosa

38

http://usmlepathslides.tumblr.com/post/21539860856/hiv-positive-patient-with-hairy-

leukoplakia-due-to

2. Homogeneous Leukoplakia

No. Gambar Sumber

1

http://screening.iarc.fr/atlasoral_list.php?cat=A1&lang=1

2

http://screening.iarc.fr/atlasoral_list.php?cat=A1&lang=1

3

http://screening.iarc.fr/atlasoral_list.php?cat=A1&lang=1

4

http://screening.iarc.fr/atlasoral_list.php?cat=A1&lang=1

5

http://screening.iarc.fr/atlasoral_list.php?cat=A1&lang=1

6

http://screening.iarc.fr/atlasoral_list.php?cat=A1&lang=1

7

http://screening.iarc.fr/atlasoral_list.php?cat=A1&lang=1

8

http://screening.iarc.fr/atlasoral_list.php?cat=A1&lang=1

9

http://screening.iarc.fr/atlasoral_list.php?cat=A1&lang=1

58

10

http://screening.iarc.fr/atlasoral_list.php?cat=A1&lang=1

11

http://screening.iarc.fr/atlasoral_list.php?cat=A1&lang=1

12

http://screening.iarc.fr/atlasoral_list.php?cat=A1&lang=1

13

http://screening.iarc.fr/atlasoral_list.php?cat=A1&lang=1

14

http://screening.iarc.fr/atlasoral_list.php?cat=A1&lang=1

15

http://screening.iarc.fr/atlasoral_list.php?cat=A1&lang=1

16

http://screening.iarc.fr/atlasoral_list.php?cat=A1&lang=1

17

http://screening.iarc.fr/atlasoral_list.php?cat=A1&lang=1

18

http://screening.iarc.fr/atlasoral_list.php?cat=A1&lang=1

19

http://www.pcds.org.uk/clinical-guidance/leukoplakia#!prettyPhoto

20

http://www.pcds.org.uk/clinical-guidance/leukoplakia#!prettyPhoto

21

http://www.pcds.org.uk/clinical-guidance/leukoplakia#!prettyPhoto

22

http://www.pcds.org.uk/clinical-guidance/leukoplakia#!prettyPhoto

23

httpupload.wikimedia.orgwikipediacommons996Leukoplakia02-04-06.jpg

24

http://www.healthhype.com/wp-content/uploads/oral_leukoplakia2.jpg

25

http://www.kankou.com.br/imagensgerais/lesaopremaligna3.JPG

26

http://www.kankou.com.br/imagensgerais/lesaopremaligna17.JPG

27

http://oralcancerldv.org/wp-content/uploads/Gum-leukoplakia.png

28

http://oralcancerldv.org/wp-content/uploads/leukoplakia-2.jpg

59

29

http://oralcancerldv.org/wp-content/uploads/Leukoplakia_tongue.jpg

30

http://oralcancerldv.org/wp-content/uploads/Oral-Leukoplakia.jpg

31

http://www.homesteadschools.com/dental/courses/OralCancerScreeningProtocols/images/P

age23A.jpg

32

http://oralmaxillo-facialsurgery.blogspot.com/2010/05/leukoplakia-oral.html

33

http://www.oralpath.co.uk/gallery.html

34

http://www.oasishelp.ca/Desktop/Article/Index/964

35

http://www.oasishelp.ca/Desktop/Article/Index/964

36

http://dentistryandmedicine.blogspot.com/2011/11/white-lesions-of-oral-mucosa.html

37

http://screening.iarc.fr/atlasoral_detail.php?flag=1&lang=1&Id=B1000003&cat=B1

38

https://www.dentalaegis.com/special-issues/2011/09/potentially-malignant-lesions-of-the-

oral-cavity

39

https://www.dentalaegis.com/special-issues/2011/09/potentially-malignant-lesions-of-the-

oral-cavity

40

http://www.intelligentdental.com/2012/01/10/what-is-leukoplakia/

41

https://journals.prous.com/journals/servlet/xmlxsl/pk_journals.xml_summary_pr?p_JournalI

d=2&p_RefId=1083310&p_IsPs=N

42

http://www.nattestad.org/domp/edit.php?id=328

43

http://pinstake.com/oral-leukoplakia-white-patches-inside-the-mouth/

44

http://pocketdentistry.com/6-red-and-white-lesions/

3. Oral Candidiasis

No. Gambar Sumber

1

http://en.wikipedia.org/wiki/Oral_candidiasis

60

2

http://en.wikipedia.org/wiki/Oral_candidiasis

3

http://en.wikipedia.org/wiki/Oral_candidiasis

4

http://www.exodontia.info/Oral_Candidiasis.html

5

http://www.exodontia.info/Oral_Candidiasis.html

6

http://dermnetnz.org/fungal/oral-candidiasis.html

7

http://www.journaloforalmicrobiology.net/index.php/jom/article/view/5771/6963

8

http://www.skinsight.com/adult/oralCandidiasisThrush.htm

9

http://www.skinsight.com/adult/oralCandidiasisThrush.htm

10

http://doctorspiller.com/candidiasis.htm

11

http://doctorspiller.com/candidiasis.htm

12

http://wwideco.com/category/candidiasis/

13

http://www.ijdr.in/article.asp?issn=0970-

9290;year=2012;volume=23;issue=5;spage=650;epage=659;aulast=Krishnan

14

http://pathologyoutlines.com/topic/skinnontumorfungicandida.html

15

http://www.pathguy.com/lectures/oralcav.htm

16

http://www.skinsight.com/child/oralCandidiasisThrush.htm

17

http://treatmentofyeastinfections.com/oral-candidiasis/

18

http://www.dermrounds.com/photo/candidiasis-oral-3/next?context=user

19

http://imgbuddy.com/oral-thrush.asp

20

http://imgbuddy.com/oral-thrush.asp

61

21

http://en.wikipedia.org/wiki/Oral_candidiasis

22

http://en.wikipedia.org/wiki/Oral_candidiasis

23

http://www.exodontia.info/Oral_Candidiasis.html

24

http://www.exodontia.info/Oral_Candidiasis.html

25

http://dermnetnz.org/fungal/oral-candidiasis.html

26

http://www.skinsight.com/adult/oralCandidiasisThrush.htm

27

http://www.skinsight.com/adult/oralCandidiasisThrush.htm

28

http://www.ijdr.in/article.asp?issn=0970-

9290;year=2012;volume=23;issue=5;spage=650;epage=659;aulast=Krishnan

29

http://www.pathguy.com/lectures/oralcav.htm

30

http://www.pathguy.com/lectures/oralcav.htm

31

http://bestpractice.bmj.com/best-practice/monograph/106/resources/image/bp/3.html

32

http://www.dermrounds.com/photo/candidiasis-oral-2/next?context=user

33

http://www.google.co.id/url?sa=i&source=imgres&cd=&cad=rja&uact=8&ved=0CAgQjxw

wAA

&url=http%3A%2F%2Fadr.sagepub.com%2Fcontent%2F23%2F1%2F152%2FF2.expansio

n.html

&ei=kANsVYeKLZfmuQSV6YCwAg&psig=AFQjCNHRbdTKmpRQYEct2AeDoF-

QzDs4OQ&ust=1433228560884577

34

http://www.google.co.id/url?sa=i&source=imgres&cd=&cad=rja&uact=8&ved=0CAgQjxw

wAA

&url=http%3A%2F%2Fadr.sagepub.com%2Fcontent%2F23%2F1%2F152%2FF2.expansio

n.html

&ei=kANsVYeKLZfmuQSV6YCwAg&psig=AFQjCNHRbdTKmpRQYEct2AeDoF-

QzDs4OQ&ust=1433228560884577

35

http://screening.iarc.fr/atlasoral_detail.php?flag=1&lang=1&Id=F8000014&cat=F8

62

36

http://screening.iarc.fr/atlasoral_detail.php?flag=1&lang=1&Id=F8000014&cat=F8

37

http://jpbsonline.org/article.asp?issn=0975-

7406;year=2012;volume=4;issue=6;spage=364;epage=368;aulast=Annapurna

38

http://www.drchetan.com/oral-thrush-causes-features-treatment.html

39

http://www.drchetan.com/oral-thrush-causes-features-treatment.html

40

http://imgbuddy.com/oral-thrush.asp

41

http://pixgood.com/oral-thrush-tongue.html

42

http://pixgood.com/oral-thrush-tongue.html

43

http://pixgood.com/oral-thrush-tongue.html

44

http://pixgood.com/oral-thrush-tongue.html

63

LAMPIRAN C

KODE PROGRAM

1. GUI

function varargout = Misi_Crop(varargin) clc % MISI_CROP MATLAB code for Misi_Crop.fig % MISI_CROP, by itself, creates a new MISI_CROP or raises the

existing % singleton*. % % H = MISI_CROP returns the handle to a new MISI_CROP or the handle

to % the existing singleton*. % % MISI_CROP('CALLBACK',hObject,eventData,handles,...) calls the

local % function named CALLBACK in MISI_CROP.M with the given input

arguments. % % MISI_CROP('Property','Value',...) creates a new MISI_CROP or

raises the % existing singleton*. Starting from the left, property value pairs

are % applied to the GUI before Misi_Crop_OpeningFcn gets called. An % unrecognized property name or invalid value makes property

application % stop. All inputs are passed to Misi_Crop_OpeningFcn via varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only

one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help Misi_Crop

% Last Modified by GUIDE v2.5 16-Jun-2015 20:49:59

% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Misi_Crop_OpeningFcn, ... 'gui_OutputFcn', @Misi_Crop_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end

if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:});

64

end % End initialization code - DO NOT EDIT

% --- Executes just before Misi_Crop is made visible. function Misi_Crop_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to Misi_Crop (see VARARGIN)

% Choose default command line output for Misi_Crop handles.output = hObject;

% Update handles structure guidata(hObject, handles); axes(handles.axes4); imshow('C:\Users\Sugi\Documents\MATLAB\Tugas_Akhir\TU-logogram.jpg'); axes(handles.axes1); imshow('C:\Users\Sugi\Documents\MATLAB\Tugas_Akhir\putih.jpg'); axes(handles.axes2); imshow('C:\Users\Sugi\Documents\MATLAB\Tugas_Akhir\putih1x2.jpg'); axes(handles.axes3); imshow('C:\Users\Sugi\Documents\MATLAB\Tugas_Akhir\putih1x2.jpg'); % UIWAIT makes Misi_Crop wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = Misi_Crop_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure varargout{1} = handles.output;

% --- Executes on button press in pushbutton1. function pushbutton1_Callback(hObject, eventdata, handles) % hObject handle to pushbutton1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) [filename, pathname] = uigetfile('*.jpg','Select File'); imgwayah = imread([pathname filename]); axes(handles.axes1); imshow(imgwayah); set(handles.edit1,'String',[pathname filename]); save input_data imgwayah

function edit1_Callback(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of edit1 as text

65

% str2double(get(hObject,'String')) returns contents of edit1 as a

double

% --- Executes during object creation, after setting all properties. function edit1_CreateFcn(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns

called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

function edit2_Callback(hObject, eventdata, handles) % hObject handle to edit2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of edit2 as text % str2double(get(hObject,'String')) returns contents of edit2 as a

double

% --- Executes during object creation, after setting all properties. function edit2_CreateFcn(hObject, eventdata, handles) % hObject handle to edit2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns

called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

% --- Executes on button press in pushbutton2. function pushbutton2_Callback(hObject, eventdata, handles) % hObject handle to pushbutton2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) load input_data imgwayah axes(handles.axes1); potong=imcrop(); ubahukuran = imresize(potong,[100 200]); gray = rgb2gray(ubahukuran); axes(handles.axes2); imshow(gray) ad = adapthisteq(gray);

66

axes(handles.axes3); imshow(ad);

load data_latih

GLCM2 = graycomatrix(ad,'Offset',[-10 0], 'Symmetric', true); stats = GLCM_Features1(GLCM2,0);

ciri = stats.denth; hasil_klasifikasi_eu = knnclassify(ciri, ciri_latih, group_latih, 1,

'Euclidean');

if isequal(hasil_klasifikasi_eu,1) hasil_akhir='Hairy Leukoplakia'; elseif isequal(hasil_klasifikasi_eu,2) hasil_akhir='Homogeneous Leukoplakia'; elseif isequal(hasil_klasifikasi_eu,3) hasil_akhir='Oral Candidiasis'; end

set(handles.edit2,'String',hasil_akhir);

2. Ekstraksi Ciri Latih clear all close all clc

ciri_latih = []; group_latih= []; target = {}; path = uigetdir; folder = dir(path);

for i=3:length(folder), namafolder = folder(i).name; tempatcitra = [path '\' namafolder]; gambar = dir(tempatcitra); target{i-2} = namafolder;

for j=3:length(gambar), namacitra = gambar(j).name; if~strcmp(namacitra,'Thumbs.db'), bacacitra = [tempatcitra '\' namacitra]; img = imread(bacacitra); latih_glcm = ekstraksi_ciri_GLCM(img); ciri_latih = [ciri_latih; latih_glcm]; group_latih = [group_latih; i-2];

end end

end

67

save data_latih.mat ciri_latih target group_latih

3. Ekstraksi Ciri Uji

clear all close all clc

ciri_uji = []; group_uji= []; target = {}; path = uigetdir; folder = dir(path);

for i=3:length(folder), namafolder = folder(i).name; tempatcitra = [path '\' namafolder]; gambar = dir(tempatcitra); target{i-2} = namafolder; for j=3:length(gambar), namacitra = gambar(j).name; if~strcmp(namacitra,'Thumbs.db'), tic bacacitra = [tempatcitra '\' namacitra]; img = imread(bacacitra); uji_glcm = ekstraksi_ciri_GLCM(img); ciri_uji = [ciri_uji; uji_glcm]; group_uji = [group_uji; i-2]; end end end waktu_uji = toc save data_uji.mat ciri_uji target group_uji waktu_uji

4. Klasifikasi

clc

load data_latih load data_uji tic akurasi_total=[]; K=[1 3 5 7 9 11 13 15 17 19]; for j=1:length(K);

hasil_klasifikasi_eu = knnclassify(ciri_uji, ciri_latih, group_latih,

K(j), 'Euclidean'); temp_eu = abs(hasil_klasifikasi_eu - group_uji); benar_eu = sum(temp_eu ==0); akurasi_eu = benar_eu ./ length(hasil_klasifikasi_eu) .* 100;

hasil_klasifikasi_ci = knnclassify(ciri_uji, ciri_latih, group_latih,

K(j), 'Cityblock'); temp_ci = abs(hasil_klasifikasi_ci - group_uji);

68

benar_ci = sum(temp_ci==0); akurasi_ci = benar_ci ./ length(hasil_klasifikasi_ci) .* 100;

hasil_klasifikasi_cos = knnclassify(ciri_uji, ciri_latih, group_latih,

K(j), 'Cosine'); temp_cos = abs(hasil_klasifikasi_cos - group_uji); benar_cos = sum(temp_cos==0); akurasi_cos = benar_cos ./ length(hasil_klasifikasi_cos) .* 100;

hasil_klasifikasi_cor = knnclassify(ciri_uji, ciri_latih, group_latih,

K(j), 'Correlation'); temp_cor = abs(hasil_klasifikasi_cor - group_uji); benar_cor = sum(temp_cor==0); akurasi_cor = benar_cor ./ length(hasil_klasifikasi_cor) .* 100;

akurasi_total = [akurasi_total,akurasi_eu, akurasi_ci, akurasi_cos,

akurasi_cor];

end

save hasil_uji.mat hasil_klasifikasi waktu_total waktu_rata akurasi

5. GLCM Features1

function [out] = GLCM_Features1(glcmin,pairs) % % GLCM_Features1 helps to calculate the features from the different GLCMs % that are input to the function. The GLCMs are stored in a i x j x n % matrix, where n is the number of GLCMs calculated usually due to the % different orientation and displacements used in the algorithm. Usually % the values i and j are equal to 'NumLevels' parameter of the GLCM % computing function graycomatrix(). Note that matlab quantization values % belong to the set {1,..., NumLevels} and not from {0,...,(NumLevels-1)} % as provided in some references %

http://www.mathworks.com/access/helpdesk/help/toolbox/images/graycomatrix % .html % % Although there is a function graycoprops() in Matlab Image Processing % Toolbox that computes four parameters Contrast, Correlation, Energy, % and Homogeneity. The paper by Haralick suggests a few more parameters % that are also computed here. The code is not fully vectorized and hence % is not an efficient implementation but it is easy to add new features % based on the GLCM using this code. Takes care of 3 dimensional glcms % (multiple glcms in a single 3D array) % % If you find that the values obtained are different from what you expect % or if you think there is a different formula that needs to be used % from the ones used in this code please let me know. % A few questions which I have are listed in the link % http://www.mathworks.com/matlabcentral/newsreader/view_thread/239608 % % I plan to submit a vectorized version of the code later and provide % updates based on replies to the above link and this initial code. % % Features computed % Autocorrelation: [2] (out.autoc) % Contrast: matlab/[1,2] (out.contr)

69

% Correlation: matlab (out.corrm) % Correlation: [1,2] (out.corrp) % Cluster Prominence: [2] (out.cprom) % Cluster Shade: [2] (out.cshad) % Dissimilarity: [2] (out.dissi) % Energy: matlab / [1,2] (out.energ) % Entropy: [2] (out.entro) % Homogeneity: matlab (out.homom) % Homogeneity: [2] (out.homop) % Maximum probability: [2] (out.maxpr) % Sum of sqaures: Variance [1] (out.sosvh) % Sum average [1] (out.savgh) % Sum variance [1] (out.svarh) % Sum entropy [1] (out.senth) % Difference variance [1] (out.dvarh) % Difference entropy [1] (out.denth) % Information measure of correlation1 [1] (out.inf1h) % Informaiton measure of correlation2 [1] (out.inf2h) % Inverse difference (INV) is homom [3] (out.homom) % Inverse difference normalized (INN) [3] (out.indnc) % Inverse difference moment normalized [3] (out.idmnc) % % The maximal correlation coefficient was not calculated due to % computational instability % http://murphylab.web.cmu.edu/publications/boland/boland_node26.html % % Formulae from MATLAB site (some look different from % the paper by Haralick but are equivalent and give same results) % Example formulae: % Contrast = sum_i(sum_j( (i-j)^2 * p(i,j) ) ) (same in matlab/paper) % Correlation = sum_i( sum_j( (i - u_i)(j - u_j)p(i,j)/(s_i.s_j) ) ) (m) % Correlation = sum_i( sum_j( ((ij)p(i,j) - u_x.u_y) / (s_x.s_y) ) )

(p[2]) % Energy = sum_i( sum_j( p(i,j)^2 ) ) (same in matlab/paper) % Homogeneity = sum_i( sum_j( p(i,j) / (1 + |i-j|) ) ) (as in matlab) % Homogeneity = sum_i( sum_j( p(i,j) / (1 + (i-j)^2) ) ) (as in paper) % % Where: % u_i = u_x = sum_i( sum_j( i.p(i,j) ) ) (in paper [2]) % u_j = u_y = sum_i( sum_j( j.p(i,j) ) ) (in paper [2]) % s_i = s_x = sum_i( sum_j( (i - u_x)^2.p(i,j) ) ) (in paper [2]) % s_j = s_y = sum_i( sum_j( (j - u_y)^2.p(i,j) ) ) (in paper [2]) % % % Normalize the glcm: % Compute the sum of all the values in each glcm in the array and divide % each element by it sum % % Haralick uses 'Symmetric' = true in computing the glcm % There is no Symmetric flag in the Matlab version I use hence % I add the diagonally opposite pairs to obtain the Haralick glcm % Here it is assumed that the diagonally opposite orientations are paired % one after the other in the matrix % If the above assumption is true with respect to the input glcm then % setting the flag 'pairs' to 1 will compute the final glcms that would

result % by setting 'Symmetric' to true. If your glcm is computed using the % Matlab version with 'Symmetric' flag you can set the flag 'pairs' to 0 % % References:

70

% 1. R. M. Haralick, K. Shanmugam, and I. Dinstein, Textural Features of % Image Classification, IEEE Transactions on Systems, Man and

Cybernetics, % vol. SMC-3, no. 6, Nov. 1973 % 2. L. Soh and C. Tsatsoulis, Texture Analysis of SAR Sea Ice Imagery % Using Gray Level Co-Occurrence Matrices, IEEE Transactions on

Geoscience % and Remote Sensing, vol. 37, no. 2, March 1999. % 3. D A. Clausi, An analysis of co-occurrence texture statistics as a % function of grey level quantization, Can. J. Remote Sensing, vol. 28,

no. % 1, pp. 45-62, 2002 % 4. http://murphylab.web.cmu.edu/publications/boland/boland_node26.html % % % Example: % % Usage is similar to graycoprops() but needs extra parameter 'pairs'

apart % from the GLCM as input % I = imread('circuit.tif'); % GLCM2 = graycomatrix(I,'Offset',[2 0;0 2]); % stats = GLCM_features1(GLCM2,0) % The output is a structure containing all the parameters for the

different % GLCMs % % [Avinash Uppuluri: avinash_uv@yahoo.com: Last modified: 11/20/08]

% If 'pairs' not entered: set pairs to 0 if ((nargin > 2) || (nargin == 0)) error('Too many or too few input arguments. Enter GLCM and pairs.'); elseif ( (nargin == 2) ) if ((size(glcmin,1) <= 1) || (size(glcmin,2) <= 1)) error('The GLCM should be a 2-D or 3-D matrix.'); elseif ( size(glcmin,1) ~= size(glcmin,2) ) error('Each GLCM should be square with NumLevels rows and

NumLevels cols'); end elseif (nargin == 1) % only GLCM is entered pairs = 0; % default is numbers and input 1 for percentage if ((size(glcmin,1) <= 1) || (size(glcmin,2) <= 1)) error('The GLCM should be a 2-D or 3-D matrix.'); elseif ( size(glcmin,1) ~= size(glcmin,2) ) error('Each GLCM should be square with NumLevels rows and

NumLevels cols'); end end

format long e if (pairs == 1) newn = 1; for nglcm = 1:2:size(glcmin,3) glcm(:,:,newn) = glcmin(:,:,nglcm) + glcmin(:,:,nglcm+1); newn = newn + 1; end elseif (pairs == 0) glcm = glcmin;

71

end

size_glcm_1 = size(glcm,1); size_glcm_2 = size(glcm,2); size_glcm_3 = size(glcm,3);

% checked out.autoc = zeros(1,size_glcm_3); % Autocorrelation: [2] out.contr = zeros(1,size_glcm_3); % Contrast: matlab/[1,2] out.corrm = zeros(1,size_glcm_3); % Correlation: matlab out.corrp = zeros(1,size_glcm_3); % Correlation: [1,2] out.cprom = zeros(1,size_glcm_3); % Cluster Prominence: [2] out.cshad = zeros(1,size_glcm_3); % Cluster Shade: [2] out.dissi = zeros(1,size_glcm_3); % Dissimilarity: [2] out.energ = zeros(1,size_glcm_3); % Energy: matlab / [1,2] out.entro = zeros(1,size_glcm_3); % Entropy: [2] out.homom = zeros(1,size_glcm_3); % Homogeneity: matlab out.homop = zeros(1,size_glcm_3); % Homogeneity: [2] out.maxpr = zeros(1,size_glcm_3); % Maximum probability: [2]

out.sosvh = zeros(1,size_glcm_3); % Sum of sqaures: Variance [1] out.savgh = zeros(1,size_glcm_3); % Sum average [1] out.svarh = zeros(1,size_glcm_3); % Sum variance [1] out.senth = zeros(1,size_glcm_3); % Sum entropy [1] out.dvarh = zeros(1,size_glcm_3); % Difference variance [4] %out.dvarh2 = zeros(1,size_glcm_3); % Difference variance [1] out.denth = zeros(1,size_glcm_3); % Difference entropy [1] out.inf1h = zeros(1,size_glcm_3); % Information measure of correlation1

[1] out.inf2h = zeros(1,size_glcm_3); % Informaiton measure of correlation2

[1] %out.mxcch = zeros(1,size_glcm_3);% maximal correlation coefficient [1] %out.invdc = zeros(1,size_glcm_3);% Inverse difference (INV) is homom [3] out.indnc = zeros(1,size_glcm_3); % Inverse difference normalized (INN)

[3] out.idmnc = zeros(1,size_glcm_3); % Inverse difference moment normalized

[3]

% correlation with alternate definition of u and s %out.corrm2 = zeros(1,size_glcm_3); % Correlation: matlab %out.corrp2 = zeros(1,size_glcm_3); % Correlation: [1,2]

glcm_sum = zeros(size_glcm_3,1); glcm_mean = zeros(size_glcm_3,1); glcm_var = zeros(size_glcm_3,1);

% http://www.fp.ucalgary.ca/mhallbey/glcm_mean.htm confuses the range of % i and j used in calculating the means and standard deviations. % As of now I am not sure if the range of i and j should be [1:Ng] or % [0:Ng-1]. I am working on obtaining the values of mean and std that get % the values of correlation that are provided by matlab. u_x = zeros(size_glcm_3,1); u_y = zeros(size_glcm_3,1); s_x = zeros(size_glcm_3,1); s_y = zeros(size_glcm_3,1);

% % alternate values of u and s % u_x2 = zeros(size_glcm_3,1); % u_y2 = zeros(size_glcm_3,1);

72

% s_x2 = zeros(size_glcm_3,1); % s_y2 = zeros(size_glcm_3,1);

% checked p_x p_y p_xplusy p_xminusy p_x = zeros(size_glcm_1,size_glcm_3); % Ng x #glcms[1] p_y = zeros(size_glcm_2,size_glcm_3); % Ng x #glcms[1] p_xplusy = zeros((size_glcm_1*2 - 1),size_glcm_3); %[1] p_xminusy = zeros((size_glcm_1),size_glcm_3); %[1] % checked hxy hxy1 hxy2 hx hy hxy = zeros(size_glcm_3,1); hxy1 = zeros(size_glcm_3,1); hx = zeros(size_glcm_3,1); hy = zeros(size_glcm_3,1); hxy2 = zeros(size_glcm_3,1);

%Q = zeros(size(glcm));

for k = 1:size_glcm_3 % number glcms

glcm_sum(k) = sum(sum(glcm(:,:,k))); glcm(:,:,k) = glcm(:,:,k)./glcm_sum(k); % Normalize each glcm glcm_mean(k) = mean2(glcm(:,:,k)); % compute mean after norm glcm_var(k) = (std2(glcm(:,:,k)))^2;

for i = 1:size_glcm_1

for j = 1:size_glcm_2

out.contr(k) = out.contr(k) + (abs(i - j))^2.*glcm(i,j,k); out.dissi(k) = out.dissi(k) + (abs(i - j)*glcm(i,j,k)); out.energ(k) = out.energ(k) + (glcm(i,j,k).^2); out.entro(k) = out.entro(k) - (glcm(i,j,k)*log(glcm(i,j,k) +

eps)); out.homom(k) = out.homom(k) + (glcm(i,j,k)/( 1 + abs(i-j) )); out.homop(k) = out.homop(k) + (glcm(i,j,k)/( 1 + (i - j)^2)); % [1] explains sum of squares variance with a mean value; % the exact definition for mean has not been provided in % the reference: I use the mean of the entire normalized glcm out.sosvh(k) = out.sosvh(k) + glcm(i,j,k)*((i -

glcm_mean(k))^2);

%out.invdc(k) = out.homom(k); out.indnc(k) = out.indnc(k) + (glcm(i,j,k)/( 1 + (abs(i-

j)/size_glcm_1) )); out.idmnc(k) = out.idmnc(k) + (glcm(i,j,k)/( 1 + ((i -

j)/size_glcm_1)^2)); u_x(k) = u_x(k) + (i)*glcm(i,j,k); % changed

10/26/08 u_y(k) = u_y(k) + (j)*glcm(i,j,k); % changed

10/26/08 % code requires that Nx = Ny % the values of the grey levels range from 1 to (Ng) end

end out.maxpr(k) = max(max(glcm(:,:,k))); end % glcms have been normalized:

73

% The contrast has been computed for each glcm in the 3D matrix % (tested) gives similar results to the matlab function

for k = 1:size_glcm_3

for i = 1:size_glcm_1

for j = 1:size_glcm_2 p_x(i,k) = p_x(i,k) + glcm(i,j,k); p_y(i,k) = p_y(i,k) + glcm(j,i,k); % taking i for j and j for

i if (ismember((i + j),[2:2*size_glcm_1])) p_xplusy((i+j)-1,k) = p_xplusy((i+j)-1,k) + glcm(i,j,k); end if (ismember(abs(i-j),[0:(size_glcm_1-1)])) p_xminusy((abs(i-j))+1,k) = p_xminusy((abs(i-j))+1,k)

+... glcm(i,j,k); end end end

% % consider u_x and u_y and s_x and s_y as means and standard

deviations % % of p_x and p_y % u_x2(k) = mean(p_x(:,k)); % u_y2(k) = mean(p_y(:,k)); % s_x2(k) = std(p_x(:,k)); % s_y2(k) = std(p_y(:,k));

end

% marginal probabilities are now available [1] % p_xminusy has +1 in index for matlab (no 0 index) % computing sum average, sum variance and sum entropy: for k = 1:(size_glcm_3)

for i = 1:(2*(size_glcm_1)-1) out.savgh(k) = out.savgh(k) + (i+1)*p_xplusy(i,k); % the summation for savgh is for i from 2 to 2*Ng hence (i+1) out.senth(k) = out.senth(k) - (p_xplusy(i,k)*log(p_xplusy(i,k) +

eps)); end

end % compute sum variance with the help of sum entropy for k = 1:(size_glcm_3)

for i = 1:(2*(size_glcm_1)-1) out.svarh(k) = out.svarh(k) + (((i+1) -

out.senth(k))^2)*p_xplusy(i,k); % the summation for savgh is for i from 2 to 2*Ng hence (i+1) end

end % compute difference variance, difference entropy, for k = 1:size_glcm_3 % out.dvarh2(k) = var(p_xminusy(:,k));

74

% but using the formula in % http://murphylab.web.cmu.edu/publications/boland/boland_node26.html % we have for dvarh for i = 0:(size_glcm_1-1) out.denth(k) = out.denth(k) -

(p_xminusy(i+1,k)*log(p_xminusy(i+1,k) + eps)); out.dvarh(k) = out.dvarh(k) + (i^2)*p_xminusy(i+1,k); end end

% compute information measure of correlation(1,2) [1] for k = 1:size_glcm_3 hxy(k) = out.entro(k); for i = 1:size_glcm_1

for j = 1:size_glcm_2 hxy1(k) = hxy1(k) - (glcm(i,j,k)*log(p_x(i,k)*p_y(j,k) +

eps)); hxy2(k) = hxy2(k) - (p_x(i,k)*p_y(j,k)*log(p_x(i,k)*p_y(j,k)

+ eps)); % for Qind = 1:(size_glcm_1) % Q(i,j,k) = Q(i,j,k) +... % ( glcm(i,Qind,k)*glcm(j,Qind,k) /

(p_x(i,k)*p_y(Qind,k)) ); % end end hx(k) = hx(k) - (p_x(i,k)*log(p_x(i,k) + eps)); hy(k) = hy(k) - (p_y(i,k)*log(p_y(i,k) + eps)); end out.inf1h(k) = ( hxy(k) - hxy1(k) ) / ( max([hx(k),hy(k)]) ); out.inf2h(k) = ( 1 - exp( -2*( hxy2(k) - hxy(k) ) ) )^0.5; % eig_Q(k,:) = eig(Q(:,:,k)); % sort_eig(k,:)= sort(eig_Q(k,:),'descend'); % out.mxcch(k) = sort_eig(k,2)^0.5; % The maximal correlation coefficient was not calculated due to % computational instability % http://murphylab.web.cmu.edu/publications/boland/boland_node26.html end

corm = zeros(size_glcm_3,1); corp = zeros(size_glcm_3,1); % using http://www.fp.ucalgary.ca/mhallbey/glcm_variance.htm for s_x s_y for k = 1:size_glcm_3 for i = 1:size_glcm_1 for j = 1:size_glcm_2 s_x(k) = s_x(k) + (((i) - u_x(k))^2)*glcm(i,j,k); s_y(k) = s_y(k) + (((j) - u_y(k))^2)*glcm(i,j,k); corp(k) = corp(k) + ((i)*(j)*glcm(i,j,k)); corm(k) = corm(k) + (((i) - u_x(k))*((j) -

u_y(k))*glcm(i,j,k)); out.cprom(k) = out.cprom(k) + (((i + j - u_x(k) -

u_y(k))^4)*... glcm(i,j,k)); out.cshad(k) = out.cshad(k) + (((i + j - u_x(k) -

u_y(k))^3)*... glcm(i,j,k)); end end % using http://www.fp.ucalgary.ca/mhallbey/glcm_variance.htm for s_x

75

% s_y : This solves the difference in value of correlation and might

be % the right value of standard deviations required % According to this website there is a typo in [2] which provides % values of variance instead of the standard deviation hence a square % root is required as done below: s_x(k) = s_x(k) ^ 0.5; s_y(k) = s_y(k) ^ 0.5; out.autoc(k) = corp(k); out.corrp(k) = (corp(k) - u_x(k)*u_y(k))/(s_x(k)*s_y(k)); out.corrm(k) = corm(k) / (s_x(k)*s_y(k)); % % alternate values of u and s % out.corrp2(k) = (corp(k) - u_x2(k)*u_y2(k))/(s_x2(k)*s_y2(k)); % out.corrm2(k) = corm(k) / (s_x2(k)*s_y2(k)); end % Here the formula in the paper out.corrp and the formula in matlab % out.corrm are equivalent as confirmed by the similar results obtained

% % The papers have a slightly different formular for Contrast % % I have tested here to find this formula in the papers provides the % % same results as the formula provided by the matlab function for % % Contrast (Hence this part has been commented) % out.contrp = zeros(size_glcm_3,1); % contp = 0; % Ng = size_glcm_1; % for k = 1:size_glcm_3 % for n = 0:(Ng-1) % for i = 1:Ng % for j = 1:Ng % if (abs(i-j) == n) % contp = contp + glcm(i,j,k); % end % end % end % out.contrp(k) = out.contrp(k) + n^2*contp; % contp = 0; % end % % end

% GLCM Features (Soh, 1999; Haralick, 1973; Clausi 2002) % f1. Uniformity / Energy / Angular Second Moment (done) % f2. Entropy (done) % f3. Dissimilarity (done) % f4. Contrast / Inertia (done) % f5. Inverse difference % f6. correlation % f7. Homogeneity / Inverse difference moment % f8. Autocorrelation % f9. Cluster Shade % f10. Cluster Prominence % f11. Maximum probability % f12. Sum of Squares % f13. Sum Average % f14. Sum Variance % f15. Sum Entropy % f16. Difference variance % f17. Difference entropy % f18. Information measures of correlation (1) % f19. Information measures of correlation (2)

76

% f20. Maximal correlation coefficient % f21. Inverse difference normalized (INN) % f22. Inverse difference moment normalized (IDN)