IDENTIFIKASI PENYAKIT TUBERKULOSIS PADA PARU-PARU MENGGUNAKAN METODE JARINGAN SARAF TIRUAN SOM (SELF ORGANIZING MAP)

Arius B Wijaya , Ri Munarto , Siswo Wardoyo

1 1 2 3

arius.bentar.wijaya@gmail.com 2 rim_munarto@yahoo.com 3 siswo@ft-untirta.ac.id Jurusan Teknik Elektro Universitas Sultan Ageng Tirtayasa Abstraksi: Indonesia merupakan negara terbesar nomor 3 di dunia yang memiliki penderita tuberkulosis setelah India dan Cina, sehingga diperlukan suatu perangkat untuk mempermudah dalam identifikasi tingkat keparahan tuberkulosis secara terkomputerisasi. Penelitian ini dilakukan untuk mengidentifikasi tingkat keparahan tuberkulosis menggunakan Kohonen Self-Organizing Map (SOM), dengan melakukan pra-proses citra berupa Contrast Stretching, Region of Interest dan Fast Fourier Transform. Pra-proses ini merupakan nilai masukan yang akan digunakan pada kohonen SOM. Hasil dari pengujian dan simulasi menunjukkan pada citra uji dengan epoch 300 dan learning rate 0.01, 0.1 dan 0.5 didapat akurasi secara berturut-turut adalah 100%, 93% dan 80%. Dari hasil pengujian pada penelitian ini membuktikan bahwa identifikasi tingkat keparahan tuberkulosis dengan Kohonen Self-Organizing Map (SOM) menunjukan akurasi sistem yang tinggi.

kata kunci: pengenalan citra, jaringan saraf tiruan, Self Organizing Maps (SOM), Kohonen.

1. Pendahuluan
Jumlah penderita TB sendiri dilaporkan semakin meningkat. Bahkan, badan kesehatan dunia atau yang lebih dikenal dengan World Health Organization (WHO) melaporkan, jumlah penderita penyakit ini di Indonesia merupakan salah satu yang terbesar di dunia. Oleh karena itu, perlu dilakukan suatu sistem untuk mengidentifikasi tingkat keparahan penyakit TB secara terkomputerisasi. Tuberkulosis merupakan penyakit infeksi bakteri menahun yang disebabkan oleh Mycobakterium tuberculosis yang merupakan batang aerobic tahan asam yang tumbuh lambat dan sensitif terhadap panas dan sinar UV dan ditandai dengan pembentukan granuloma pada jaringan yang terinfeksi. Mycobacterium tuberculosis merupakan kuman aerob yang dapat hidup terutama di paru atau berbagai organ tubuh lainnya yang bertekanan parsial tinggi.

2. Tinjuan Pustaka
A. Klasifikasi Tuberkulosis Secara Radiologis (Luas Lesi) Berdasarkan luas lesi, tuberkulosis dibagi menjadi tiga jenis. Untuk menentukan seberapa parah penyakit tuberkulosis yang diderita oleh seorang penderita. 1. Minimal Lession Tuberkulosis Pada tuberkulosis minimal terdapat sebagian kecil infiltrat nonkavitas satu paru maupun kedua paru, akan tetapi jumlahnya tidak melebihi satu lobus paru. Jika dilihat dari foto Rontgen, maka pada tuberkulosis jenis ini kurang dari sepertiga dari luas paru-paru telah terinfeksi. 2. Moderately AdvancedTuberculosis Terdapat kavitas dengan diameter tidak lebih dari 4 cm, jumlah infiltrat bayangan

halus tidak lebih dari satu bagian paru. Bila bayangannya kasar tidak lebih dari dua pertiga bagian satu paru yang terinfeksi. 3. Far Advanced Tuberculosis Terdapatnya infiltrat dan kavitas yang melebihi keadaan pada Moderately Advanced Tuberculosis. Hampir keseluruhan area satu atau kedua paru yang terinfeksi. B. Representasi Citra Digital Komputer dapat mengolah isyarat-isyarat elektronik digital yang merupakan kumpulan sinyal biner (bernilai dua: 0 dan 1). Untuk itu, citra digital harus mempunyai format tertentu yang sesuai sehingga dapat merepresentasikan obyek pencitraan dalam bentuk kombinasi data biner. Citra yang tidak berwarna atau hitam putih dikenal sebagai citra biner memiliki nilai 0-1, sedangkan citra dengan derajat abu-abu (citra graylevel/grayscale) memiliki nilai 0-255. Dalam citra berwarna, jumlah warna bisa beragam mulai dari 16, 256, 65536 atau 16 juta warna yang masing-masing direpresentasikan oleh 8,16 atau 24 bit data untuk setiap pikselnya. warna yang ada terdiri dari 3 komponen utama yaitu nilai merah (red), nilai hijau (green) dan nilai biru (blue). Paduan ketiga komponen utama pembentuk warna tersebut dikenal sebagai RGB color yang nantinya akan membentuk citra warna. 1. Grayscale Mengubah citra RGB menjadi citra keabuan dengan nilai intensitasnya berada pada interval 0255. Hal ini dilakukan karena dengan hanya citra keabuan, proses perhitungan menjadi jauh lebih sederhana sehingga tidak terlalu memboroskan memeori. 2. Contras Stretching Contrast stretching ini adalah teknik untuk memperbaiki kualitas citra dengan mengatur penyebaran graylevel untuk mendapatkan kontras citra yang sesuai (terang atau gelap) sehingga citra tampak lebih jelas dan tajam. Penyebaran graylevel ini dapat diatur dengan menentukan nilai (r1,s1) dan nilai (r2,s2). titik koordinat (r1,s1) dan (r2,s2) merupakan titik kontrol dari fungsi transformasi. Untuk menghitung nilai hasil transformasi tersebut, kita dapat membuat tiga fungsi sebagai berikut: Untuk 0 <= r < r1, maka s = r . (s1 / r1) Untuk r1 <= r < r2, maka s = s1 + ( (r-r1) . ((s2- s1) / (r2-r1)) ) Untuk r2 <= r <=(L-1),

maka s = s2 + ( (r-r2).((L-1)-s2) / ((L-1) - r2)).(2.1) 3. Region of Interest (ROI) Region of Interest citra artinya adalah pengambilan bagian tertentu dari suatu citra digital menjadi matriks baru. Pada tahapan ini citra akan dilakukan proses pemotongan bagian citra tertentu dari citra digital yang dirasakan lebih penting dari bagian yang lainnya dengan penjaluran potong tidak beraturan atau sesuai pola citra yang diinginkan. 4. Fast Fourier Transform (FFT) Fast Fourier Transform (FFT) adalah algoritma cepat untuk mengimplementasikan discrete fourier transform (DFT). FFT ini memindahkan informasi citra dari domain spasial ke dalam domain frekuensi. Pada metode spasial, pemrosesan dilakukan dengan cara memanipulasi nilai piksel dari citra tersebut secara langsung, sedangkan metode frekuensi, informasi citra digital ditransformasikan lebih dulu dengan FFT, kemudian dilakukan maipulsi pada hasil transformasi tersebut. FFt dari f (x), didefinisikan seabagi berikut : F(u) = Dengan (x)e dx.(2.2) = 1
/

Jika f (x) dijadikan diskrit maka persamaan FFt diskrit adalah : F(u) = (x)e .(2.3)

Dari nilai-nilai tersebut yang akan digunakan sebagai nilai masukan bagi sistem jaringan. 5. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (Artificial Neural Network) adalah suatu paradigma pengolahan informasi yang diilhami oleh sistem biologi yaitu neuron, seperti otak yang memproses informasi. Kunci Jaringan Syaraf Tiruan adalah struktur sistem pengolahan informasi, yang terdiri atas sejumlah unsur-unsur (syaraf) yang bekerja saling berhubungan untuk memecahkan permasalahan spesifik. Jaringan Syaraf Tiruan dibangun untuk meniru cara kerja otak manusia. Seperti halnya otak manusia yang terdiri dari sekumpulan sel syaraf (neuron), jaringan syaraf juga terdiri dari beberapa neuron dan terdapat hubungan antara neuronneuron tersebut. Neuron-neuron tersebut akan memindahkan informasi yang diterima melalui

sambungan keluarnya menuju neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada nilai tertentu pada bobot. Proses pembelajaran terhadap perubahan bobot dalam Jaringan Syaraf Tiruan ada dua, yaitu : (i) Pembelajaran terawasi (supervised learning) Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang diharapkan telah diketahui sebelumnya. Pada proses pembelajaran, satu pola input akan diberikan ke satu neuron pada lapisan input. Pola ini akan dirambatkan di sepanjang jaringan syaraf hingga sampai ke neuron pada lapisan output. Lapisan output ini akan membangkitkan pola output yang nantinya akan dicocokkan dengan pola output targetnya. Apabila terjadi perbedaan antara pola output hasil pembelajaran dengan pola target, maka akan muncul error. Apabila nilai error cukup besar, mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran lagi. (ii) Pembelajaran tak terawasi (unsupervised learning) Pada metode pembelajaran yang tak terawasi ini tidak memerlukan target output. Pada metode ini, tidak dapat ditentukan hasil yang seperti apakah yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan unitunit yang hampir sama dalam suatu area tertentu. 6. Jaringan Kohonen Jaringan Kohonen termasuk dalam pembelajaran tak terawasi (unsupervised learning). Jarinan ini pertama kali diperkenalkan oleh Teuvo Kohonen pada tahun 1981. Pada jaringan ini, suatu lapisan yang berisi neuronneuron akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan istilah cluster. Selama proses penyusunan diri, cluster yang memiliki vektor bobot paling cocok dengan pola input (memiliki jarak paling dekat) akan terpilih sebagai pemenang. Neuron yang menjadi pemenang beserta neuron-neuron tetangganya akan memperbaiki bobot-bobotnya. Terdapat m unit kelompok yang tersusun dalam arsitektur sinyal-sinyal masukan (input) sejumlah n. Vektor bobot untuk suatu unit kelompok disediakan dari pola-pola masukan yang tergabung dengan kelompok tersebut. Selama proses pengorganisasian sendiri, unit kelompok yang memiliki vektor bobot paling cocok dengan pola

masukan (ditandai dengan jarak Euclidean paling minimum) dipilih sebagai pemenang. Unit pemenang dan unit tetangganya diperbaharui bobotnya. Setiap neuron terkoneksi dengan neuron lain yang dihubungkan dengan bobot atau weight. Bobot tersebut berisi informasi yang akan digunakan untuk tujuan tertentu. Algoritma pembelajaran tanpa supervisipada Jaringan Kohonen untuk diterapkan dalam pengelompokan data (clustering data) adalah sebagai berikut : 1. Inisialisasi vektor bobot, wij 2. Menetapkan parameter kecepatan pembelajaran (learning rate), 3. Menentukan bobot vektor yang paling dekat dengan vektor input. Hal ini dilakukan dengan mencari bobot vektor yang memiliki jarak Euclidean terdekat (Euclidean distance) Jarak Euclidean dihitung dengan persamaan : D(j) = ( ) (2.4) 4. Cari unit pemenang (indeks J), yaitu unit yang memiliki D(j) minimum 5. Menghitung bobot vektor yang telah disesuaikan (modifikasi bobot), yaitu melalui persamaan sebagai berikut : wij(baru) = wij(lama) + [xi wij (lama)] 6. Kecepatan pembelajaran disesuaikan 7. Uji kondisi penghentian Proses pembelajaran akan berlangsung terus hingga mencapai maksimum epoh.

Gambar 2.1. Arsitektur Jaringan Kohonen Jaringan Kohonen dapat mengenali dan mengklasifikasikan pola-pola dengan melakukan pelatihan (training) dari pola-pola vektor input (masukan) data dengan vektor bobot sebagai penghubung antara layar masukan dan layar

kompetisi dalam proses pelatihan. Dari proses pelatihan jaringan tersebut akan terbentuk clustercluster dari pola-pola yang dilatihkan. Klasifikasi pola-pola tersebut nantinya dapat digunakan sebagai proses pengenalan pola-pola yang diujikan. Diagram alir implementasi pada Jaringan Kohonen disajikan pada gambar berikut.

Diagram alir tahapan perancangan penelitian untuk pengambilan data masukan, pre-processing, proses training dan proses identifikasi : 1. Pengambilan data masukan

Gambar 3.2 Diagram alir pengambilan data masukan 2. Gambar 2.2. Diagram Implementasi Jaringan Kohonen Proses pre-processing

3. Metodologi Penelitian
Metodologi penelitian ini dijelaskan pada Gambar 3.1.

Gambar 3.1 Diagram Sistem Identifikasi Tuberkulosis

Gambar 3.3 Diagram alir pre-processing

3.

Proses Training 4. Hasil dan Pembahasan

Pengujian dilakukan untuk mengetahui tingkat keparahan penyakit TB dari sistem kerja perangkat lunak (software) berjalan sesuai dengan tujuan. Pengujian dilakukan secara terpisah lalu akan diujikan secara keseluruhan. Pengujian yang akan dilakukan meliputi : (a) Citra Pengujian Berdasarkan Diagnosa Dokter Pada uji coba ini digunakan citra uji berupa citra aktual sebanyak 4 citra yang telah diagnose oleh dokter ahli, sebagai berikut : Tabel 4.1 Citra Uji berdasarkan Diagnosa Dokter Tabel 4.1

ID Citra Uji Uj1

Gambar 3.4 Diagram alir proses training 4. Proses Pengujian

Hasil Diagnose Dokter TB Minimal TB Menengah

Uj4

(b) Uji coba dengan menggunakan citra pelatihan (citra aktual) sebanyak 33 sampel citra dan citra uji (citra aktual) sebanyak 2 sampel citra dilakukan sampai 15 percobaan: 1. Hasil Uji Simulasi Dengan Menggunakan Data Citra Uji 1 Tabel 4.2

Gambar 3.5 Diagram alir proses identifikasi

Gambar 4.1 Grafik Hasil Tabel 4.2 2. Hasil Uji Simulasi Dengan Menggunakan Data Citra Uji 4 Tabel 4.3

Gambar 4.3 Grafik Hasil Tabel 4.4 4. Hasil Uji Simulasi Dengan Menggunakan Data Citra Uji 4 Tabel 4.5

Gambar 4.2 Grafik Hasil Tabel 4.3 (c) Uji coba dengan menggunakan citra pelatihan (citra aktual) sebanyak 15 sampel citra dan citra uji (citra aktual) sebanyak 2 sampel citra dilakukan sampai 15 percobaan: 3. Hasil Uji Simulasi Dengan Menggunakan Data Citra Uji 1 Tabel 4.4

Gambar 4.4 Grafik Hasil Tabel 4.5

(d) Pembahasan Analisa sistem dibutuhkan untuk menentukan parameter apa saja yang dibutuhkan agar dihasilkan suatu perangkat lunak pengenalan tingkat keparahan penyakit TB yang akurat. Analisa dilakukan dengan memperhatikan pengaruh jumlah sampel training, epoch training, dan learning rate terhadap persentase keberhasilan dalam pengenalan tingkat keparahan penyakit TB dan waktu yang dibutuhkan sistem dalam memproses hasil dengan menggunakan metode jaringan Kohohen SOM. Analisa juga dilakukan untuk mengetahui parameter-parameter yang dapat menyebabkan kegagalan pada sistem baik pada tahap pre-processing maupun pada tahap identifikasi. a.Pengaruh Jumlah Citra Training Tidak ada kepastian tentang berapa banyak citra pelatihan yang diperlukan agar jaringan dapat dilatih dengan sempurna. Jumlah citra training sangat berpengaruh didalam sistem terhadap waktu yang dibutuhkan sistem dalam melakukan proses sistem, dapat dilihat dari tabel 4.2 dan tabel 4.3 diperoleh bahwa pada sistem yang menggunakan training sebanyak 33 citra pelatihan waktu yang dibutuhkan dalam proses training pada sistem ternyata waktu lebih lama dibandingkan dengan sistem yang menggunakan 15 citra pelatihan. Hal ini bisa terjadi karena semakin banyak jumlah citra yang digunakan maka semakin banyak juga nilai - nilai pada citra yang di proses oleh sistem. Sedangkan dalam persentase keberhasilan tiap citra paru TB pengujian dapat dilihat dari tabel 4.2 sampai tabel 4.3 diperoleh tingkat akurasi sekitar 80% - 100% diidentifikikasi dengan tepat. Dapat dilihat dari tabel 4.4 sampai tabel 4.5 diperoleh tingkat akurasi 90% - 100% diidentifikikasi dengan tepat. Dapat disimpulkan pada sistem ini bahwa jumlah citra pelatihan yang lebih banyak tidak selamanya menghasilkan hasil identifikasi yang lebih baik dibandingkan dengan junlah citra pelatihan yang lebih sedikit. Dapat dilihat pada tabel 4.2 sampai 4.3 Citra uji masih teridentifikasi sebagai citra yang tidak teridentifikasi, hal ini disebabkan oleh jarak antar neuron atau bobot pemenang mempunyai nilai yang sama atau mendekati 2 bobot pemenang dari 2 kelompok citra pelatihan yang berbeda maka itu jika nilai bobot pemenang tidak sesuai dengan nilai jarak bobot yang ditentukan oleh sistem akan teridentifikasi sebagai citra yang tidak teridentifikasi. b.Pengaruh Epoch Pada Proses Training

Dari tabel 4.2 dan tabel 4.3 yang menggunakan 33 sampel citra training dapat terlihat bahwa pada tabel 4.2 yang menggunakan epoch (banyaknya iterasi yang dilakukan oleh sistem terhadap citra training) sebanyak 100 epoch membutuhkan waktu rata-rata 5 detik dalam setiap kali melakukan proses training, sebanyak 200 epoch membutuhkan waktu ratarata 9 detik dalam setiap kali melakukan proses training, dan sebanyak 300 epoch membutuhkan waktu rata-rata 14 detik dalam setiap kali melakukan proses training. Sedangkan Dari tabel 4.3 dan tabel 4.4 yang menggunakan 15 sampel citra training dapat terlihat bahwa pada tabel 4.3 yang menggunakan epoch (banyaknya iterasi yang dilakukan oleh sistem terhadap citra training) sebanyak 100 epoch membutuhkan waktu ratarata 2 detik dalam setiap kali melakukan proses training, sebanyak 200 epoch membutuhkan waktu rata-rata 5 detik dalam setiap kali melakukan proses training, dan sebanyak 300 epoch membutuhkan waktu rata-rata 7 detik dalam setiap kali melakukan proses training . Berdasarkan teori dan hasil ujicoba telah menunjukan bahwa semakin banyak epoch yang dilakukan maka sistem akan semakin banyak membutuhkan waktu dalam proses training sehingga pola citra uji atau hasil akan semakin baik dikenalin oleh sistem. c.Pengaruh Learning Rate Pada Proses Training Dengan melakukan pengujian terhadap nilai nilai alfa, maka didapatkan nilai alfa yang terbaik adalah 0.01. Hal ini dapat dilihat dari hasil pengujian pada tabel IV.2, bisa dilihat bahwa semakin besar alfa maka kecepatan belajar pada jaringan untuk setiap epoch semakin cepat sehingga hasil akurasi dari sistem kemungkinan akan menurun dibandingkan dengan menggunakan alfa bernilai kecil. Nilai alfa berkisar antara 0 sampai 1, untuk alfa yang cukup besar akan didapatkan hasil belajar yang cepat, tetapi pemetaan kasar, sedangkan dengan alfa yang kecil akan didapatkan pemetaan yang bagus. d.Analisa Kesalahan Pada Tahap Pre-Processing Pada sistem ini memiliki beberapa tahapan untuk pre-processing yang sangat menetukan keberhasilan sistem, yaitu : Tahap Region of Interest (ROI) Tahap Region of Interest (ROI) merupakan tahap yang paling vital. Jika tahap ini gagal atau pemotongan citra tidak sesuai dengan bagian citra yang diinginkan untuk dianalisa, maka hasil dari sistem tidak akan akurat. Proses ROI ini sangatlah penting dalam menentukan bagian yang akan 1.

dianalisa. Dengan proses ROI dapat mengambil bagian citra yang akan dianalisa secara terfokus dibandingkan dengan proses cropping biasa yang mengambil bagian citra yang hanya berbentuk kotak saja sehingga terdapat bagian citra yang seharusnya bagian tertentu tidak dianalisa oleh sistem. 5. Penutup A. Kesimpulan Berdasarkan hasil pengujian yang telah dilakukan dan hasil analisis yang telah dijelaskan maka dapat disimpulkan bahwa : 1. Berdasarkan hasil sistem pengidentifikasi tingkat keparahan TB, dpat disimpulkan bahwa penggunaan algoritma kohonen SOM dapat diimplementasikan untuk pengidentifikasi citra atau pengenalan citra. Banyaknya jumlah sampel dan besar ukuran citra yang digunakan pada jaringan syaraf tiruan kohonen SOM akan mempengaruhi waktu pada proses pengidentifkasian. Artinya jika semakin besar ukuran dan jumlah citra semakin banyak maka waktu yang dibutuhkan untuk proses pembelajarn dan pengenalan semakin lama. Semakin besar learning rate yang digunakan pada jaringan syaraf tiruan kohonen SOM akan menghasilkan tingkat akurasi sistem semakin menurun, karena sistem melakukan proses pembelajaran dengan cepat sehingga pemetaan pada citra kasar. Dengan menerapkan algoritma kohonen SOM dari 15 pengujian yang dilakukan, dengan menggunakan citra pelatihan sebanyak 33 citra diperoleh akurasi tertinggi sebesar 100% dengan waktu tercepat 5 detik. Sedangkan dengan menggunakan citra pelatihan sebanyak 15 citra diperoleh akurasi tertinggi sebesar 100% dengan waktu tercepat 2 detik.

3.

pengambilan citra dengan yang intensitas cahaya yang tetap seperti pada CT-Scan. Untuk penelitian lebih lanjut dapat ditambahkan metode seperti jaringan syaraf tiruan backpropagation. Dimana hasil dari jaringan syaraf kohonen SOM akan dimasukan kedalam proses pembelajaran jaringan syaraf tiruan backpropagation. 6. DAFTAR PUSTAKA M.kes. Tuberkulosis

1.

Drh.

Hiswani,

Merupakan Penyakit Infeksi Yang Masih Menjadi Masalah Kesehatan Masyarakat. Jurnal Kesehatan. Universitas Sumatera Utara. 2. Wulandari, Nugraheni. Identifikasi Tumor Pada Jaringan Sekitar Tulang Dan ParuParu Menggunakan Segmentasi Berdasarkan Aras Keabuan Citra . Thesis. Universitas Diponegoro. 3. Supatman. 2009. Deteksi Pembesaran Kelenjar Getah Bening pada Paru dengan Pengolahan Citra Digital untuk Mendiagnosa Penyakit Primer Kompleks Tuberkulosis (PKTB). Seminar Nasional Aplikasi Teknologi Informasi 2009 (SNATI 2009) Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia Yogyakarta. 4. Yulianti Tae, Gadis Fransiska. Penerapan Kohonen Self Organized Map Dalam Kuantisasi Vektor Pada Kompresi Citra Bitmap 24 Bit. Jurusan Teknik Informasi, Fakultas Teknologi Informasi, Universitas Kristen Duta Wacana Yogyakarta. 5. Hernawan, Mochdiana. Simulasi Kompresi Citra dengan Neural Network menggunakan Metode Self-Organizing Map. Jurusan Teknik Elektro, Universitas Diponegoro Semarang.

2.

3.

4.

B. Saran Untuk pengembangan sistem lebih lanjut, maka dapat diberikan saran sebagai berikut : 1. Sistem ini dapat dikembangkan lebih lanjut dengan pemanfaatan media internet sehingga masyarakat dapat memperoleh informasi yang lebih mudah mengenai identifikasi tingkat keparahan TB menggunakan perangat lunak. 2. Untuk menghasilkan tingkat akurasi yang lebih tinggi disarankan untuk melakukan

6.

Mobarok. Neural

2010. Network.

Pengenalan Skripsi.

Tulisan Falkutas

15. Kusumadewi, Sri., 2004. Membangun Jaringan Syaraf Tiruan 16. http://www.creativeinstrument.com/dokumen/image.pdf, April 2011. 17. http://home.wlu.edu/~levys/software/so m/, April 2011. 18. http://www.scribd.com/doc/27057856/P engenalan-Pola-Angka-MenggunakanJaringan-Syaraf-Tiruan-Model-JaringanKohonen,April 2011. 19. http://en.wikipedia.org/wiki/Selforganizing_map, April 2011. Menggunakan MATLAB & EXCEL LINK. Graha Ilmu.

Tangan Aksara Sunda Menggunakan Pendidikan Pengetahuan 7. Matematika Alam, dan Ilmu

Universitas

Pendidikan Indonesia Bandung. Yadi Mulyadi, Ade Gafar Abdullah, Risman Nurjaman. Estimasi Beban Puncak Harian Berbasis Algoritma Self Organizing Map (SOM), Seminar Nasional Electical, Informatics, and Its Educations 2009, Universitas Negeri Malang, Malang. 8. Linda, Agustina. 2003. Penerapan Region of Interest (ROI) pada Metode Kompresi JPEG2000. Institut Teknologi Bandung. 9. Ken Cabeen and Peter Gent. Image Compression and the Descrete Cosine Transform. Math 45, College of the Redwoods. 10. Manurung, Patardo M. (2008). Perangkat Lunak Pengenalan Plat Nomor Mobil Menggunakan Jaringan Kompetitif Dan Jaringan Kohonen. Skripsi. Universitas Indonesia. 11. Hermawan, Mochdiana. (2002). Simulasi Kompresi Citra Dengan Neural Network Menggunakan Metode Self-Organizing Map. Skripsi. Universitas Diponegoro Semarang. 12. 13. Pada . (2011). Tuberkulosis. Retrieved: 3 juni. . (2011). Asuhan Kepratan Pasien dengan Tuberkulosis. Retrieved: 3 juni. 14. JJ Siang. 2004. Jaringan Syarag Tiruan & Pemogramannya menggunakan Matlab. Andi. Yogyakarta.