KLASIFIKASI KANKER SERVIKS MENGGUNAKAN MODEL BACKPROPAGATION NEURAL NETWORK DAN PREPROCESSING CITRA DENGAN OPERASI SPASIAL

i

KLASIFIKASI KANKER SERVIKS MENGGUNAKAN MODEL BACKPROPAGATION NEURAL NETWORK DAN PREPROCESSING

CITRA DENGAN OPERASI SPASIAL

SKRIPSI

Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta untuk Memenuhi Sebagian Persyaratan Guna

Memperoleh Gelar Sarjana Sains

Oleh

Marwah Masruroh NIM 12305144034

PROGRAM STUDI MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI YOGYAKARTA

v MOTTO

Bertakwalah kepada Allah dan Allah akan Mengajarmu, sesungguhnya Allah Maha Mengetahui segala sesuatu

(QS. Al-Baqarah: 282)

Do something everyday that brings you closer to your goals (Indah Nada Puspita)

Keluargamu adalah salah satu alasan bagi kerja kerasmu, maka janganlah sampai engkau menelantarkan mereka karena kerja kerasmu

vi

PERSEMBAHAN

Alhamdulillahirrabil’alamin, dengan memanjatkan puji syukur kehadirat Allah SWT, karya sederhana ini saya persembahkan kepada:

 Bapak Slamet Mustakim dan ibu Khuza’iyah, dua orang hebat yang senantiasa mendoakan, menyayangi, dan memberikanku motivasi tanpa henti. Semoga ridho kalian akan menjadi jalan kemudahan bagiku.

 Semua dosen dan guru yang telah berbagi ilmu dan petuah yang luar biasa. Semoga menjadi ilmu yang bermanfaat dunia dan akhirat. Amin.

 Ketujuh kakak dan adik semata wayangku yang saling mengajarkan arti keluarga dan kebersamaan.

 Sahabat sahabatku tersayang, Neswin, Kiki, Meilia, Cacha, Dinar, Puji, Yanti, Una, Sifa, Zuni dan Dhepi yang telah menjadi keluarga baruku di tanah jogja. Bahagia bisa mengenal dan menjadi bagian dari kalian.

 Dina Imanda, Elistiyani, Fariza Dyah, Asmida Ulfa, dan Mutiara Lailia. Sahabat dari kampung tercinta yang tengah menata hidup dan mengejar mimpinya masing-masing.

 Teman-teman MATSWA 2012 yang telah memberi banyak kisah selama 4 tahun ini. Sukses ya buat kita semua.

 Semua sahabat yang telah menemaniku, menjadi tempatku berbagi kisah dan berkeluh kesah, juga menjadi inspirasiku dengan segala kehebatan kalian.

vii

KLASIFIKASI KANKER SERVIKS MENGGUNAKAN MODEL BACKPROPAGATION NEURAL NETWORK DAN PREPROCESSING

CITRA DENGAN OPERASI SPASIAL Oleh:

Marwah Maruroh 12305144034

ABSTRAK

Deteksi dini dan diagnosa untuk mengetahui kemungkinan adanya kanker serviks pada wanita perlu dilakukan untuk menekan angka kematian yang disebabkan kanker serviks. Salah satu model klasifikasi yang dapat digunakan untuk proses diagnosa kanker serviks adalah neural network dengan algoritma pembelajaran backpropagation. Penelitian ini bertujuan untuk menjelaskan prosedur, hasil penerapan, serta tingkat ketepatan model Backpropagation Neural

Network (BPNN) untuk klasifikasi kanker serviks dengan operasi spasial

menggunakan citra kolposkopi.

Prosedur klasifikasi kanker serviks dengan BPNN adalah preprocessing citra, ekstraksi fitur, pendefinisian variabel input dan target jaringan, pembagian data input, normalisasi data, perancangan model terbaik dan denormalisasi data. Preprocessing citra menggunakan operasi spasial dilakukan untuk memperbaiki kualitas citra sebelum digunakan untuk pembelajaran jaringan. Variabel input yang digunakan adalah 13 fitur hasil ekstraksi citra menggunakan metode GLCM, sedangkan target jaringan berupa diagnosa masing-masing foto kolposkopi serviks. Selanjutnya data input dibagi berdasarkan ukuran komposisi data 80% data training dan 20% data testing. Proses normalisasi data perlu dilakukan sebelum pembelajaran agar terjadi sinkronisasi data. Perancangan model terbaik menggunakan algoritma pembelajaran backpropagation dilakukan untuk mendapatkan model terbaik dengan akurasi tertinggi. Perancangan model terbaik dilakukan dengan menentukan banyaknya neuron pada lapisan tersembunyi yang sesuai. Output pembelajaran yang diperoleh kemudian didenormalisasi untuk mengembalikan nilai output ke bentuk aslinya.

Penelitian ini menggunakan fungsi aktivasi sigmoid bipolar pada lapisan tersembunyi dan fungsi linear pada lapisan output, serta menggunakan fungsi pembelajaran jaringan traingdx. Model BPNN terbaik yang diperoleh untuk klasifikasi kanker serviks dengan menggunakan software Matlab adalah dengan 13 neuron input, satu lapisan tersembunyi dengan 10 neuron dan 1 neuron

output. Tingkat ketepatan model BPNN terbaik diukur melalui nilai sensitivitas,

spesifisitas, dan akurasi. Berdasarkan model terbaik, diperoleh ketiga nilai statistik tersebut secara berurutan adalah 100%, 100%, dan 100% untuk data

training serta 100%, 100%, dan 88,24% untuk data testing.

Kata Kunci : citra kolposkopi, neural network, backpropagation, klasifikasi kanker serviks, operasi spasial, Matlab.

viii

KATA PENGANTAR

Alhamdulillahirobbil’alamin, puji syukur penulis panjatkan kepada Allah SWT atas segala nikmat dan karunia yang diberikan kepada penulis, serta ucapan terima kasih kepada Ibu Dr. Dhoriva Urwatul Wustqa selaku dosen pembimbing yang telah banyak memberikan bimbingan, masukan, serta arahan sehingga penulis dapat menyelesaikan tugas akhir skripsi ini. Skripsi yang berjudul “Klasifikasi Kanker Serviks Menggunakan Model Neural Network Backpropagation dan Preprocessing Citra dengan Operasi Spasial” disusun untuk memenuhi salah satu syarat kelulusan guna meraih gelar Sarjana Sains pada Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta.

Dalam proses penyusunan skripsi ini, banyak pihak yang telah membantu serta membimbing penulis sehingga skripsi ini dapat diselesaikan dengan baik. Penulis mengucapkan terimakasih kepada:

1. Bapak Dr. Hartono, selaku Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta yang telah memberikan kelancaran pelayanan dalam urusan akademik di tingkat fakultas.

2. Bapak Dr. Ali Mahmudi, selaku Ketua Jurusan Pendidikan Matematika Universitas Negeri Yogyakarta yang telah memberikan kelancaran pelayanan dalam urusan akademik di tingkat jurusan.

x DAFTAR ISI

PERSETUJUAN ... ii

HALAMAN PENGESAHAN ... iii

HALAMAN PERNYATAAN ... iv

MOTTO ... v

PERSEMBAHAN ... vi

ABSTRAK ... vii

KATA PENGANTAR ... viii

DAFTAR ISI ... x

DAFTAR TABEL ... xiii

DAFTAR GAMBAR ... xiv

DAFTAR SIMBOL ... xv

DAFTAR LAMPIRAN ... xviii

BAB I PENDAHULUAN ... 1 A. Latar Belakang ... 1 B. Pembatasan Masalah ... 10 C. Rumusan Masalah ... 11 D. Tujuan Penelitian ... 11 E. Manfaat Penelitian ... 11

BAB II KAJIAN PUSTAKA ... 13

A. Kanker Serviks ... 13

xi

2. Gejala Kanker Serviks ... 16

3. Deteksi Dini Kanker Serviks ... 16

4. Stadium Kanker Serviks ... 18

B. Citra Digital ... 21 C. Preprocessing Citra ... 22 1. Operasi Titik ... 23 2. Operasi Spasial ... 24 3. Operasi Transformasi ... 30 D. Ekstraksi Fitur ... 31 E. Neural Network ... 38 1. Fungsi Aktivasi ... 39 2. Arsitektur Jaringan ... 41 3. Algoritma Pembelajaran ... 43 F. Algoritma Backpropagation ... 45

G. Ketepatan Hasil Klasifikasi ... 49

BAB III PEMBAHASAN ... 52

A. Arsitektur dan Model Backpropagation Neural Network dengan Preprocessing untuk Klasifikasi Kanker Serviks ... 52

1. Arsitektur Backpropagation Neural Network... 52

2. Model Backpropagation Neural Network ... 54

B. Prosedur Model Backpropagation Neural Network dengan Preprocessing untuk Klasifikasi Kanker Serviks ... 55

xii

Preprocessing untuk Klasifikasi Kanker Serviks ... 69

D. Ketepatan Klasifikasi ... 79

1. Ketepatan Klasifikasi Data Training ... 79

2. Ketepatan Klasifikasi Data Testing ... 81

BAB IV PENUTUP ... 84

A. Kesimpulan ... 84

B. Saran ... 86

DAFTAR PUSTAKA ... 87

xiii

DAFTAR TABEL

Tabel 2.1 Hasil Klasifikasi ... 50

Tabel 3.1 Hasil Ekstraksi Citra N-1T.jpg ... 70

Tabel 3.2 Hasil Normalisasi Data Citra N-1T.jpg ... 73

Tabel 3.3 Penentuan Banyaknya Neuron pada Lapisan Tersembunyi ... 74

Tabel 3.4 Perhitungan Manual dan untuk Citra N-1T.jpg ... 77

Tabel 3.5 Hasil Klasifikasi Model BPNN untuk Data Training ... 79

Tabel 3.6 Performance Measure Model BPNN untuk Data Training ... 79

Tabel 3.7 Hasil Klasifikasi Model BPNN untuk Data Testing ... 81

xiv

DAFTAR GAMBAR

Gambar 2.1 Operasi Titik. ... 24

Gambar 2.2 Operasi Spasial. ... 25

Gambar 2.3 Penghilangan Derau (Noise) dengan Filter Median ... 27

Gambar 2.4 Hasil Noise, Grayscale dan Filter Median pada Citra ... 29

Gambar 2.5 Fungsi Identitas ... 39

Gambar 2.6 Fungsi Undak Biner ... 40

Gambar 2.7 Fungsi Bipolar ... 40

Gambar 2.8 Arsitektur NN Layar Tunggal ... 42

Gambar 2.9 Arsitektur NN Layar Jamak ... 43

Gambar 2.10 Arsitektur NN Layar Kompetitif ... 43

Gambar 3.1 Arsitektur Jaringan Backpropagation ... 53

Gambar 3.2 (a) Citra Kolposkopi Serviks Tipe Rgb, (b) Citra Kolposkopi Serviks Tipe Grayscale, (c) Citra Kolposkopi Serviks Hasil Operasi Spasial ... 57

Gambar 3.3 Prosedur Pemodelan BPNN ... 68

Gambar 3.4 Citra Kolposkopi (a) N-1T.jpg Asli, (b) N-1T.jpg Grayscale, (c) N-1T.jpg Hasil Operasi Spasial ... 70

xv

DAFTAR SIMBOL

( ) : citra atau fungsi kontinu dari intensitas cahaya pada bidang dan ( ) : citra A

( ) : citra B

( ) : himpunan piksel-piksel yang berada disekitar ( )

: operasi titik yang dapat berupa operasi linear maupun non linear

: operasi spasial

: banyaknya tingkat keabuan dari citra

( ) : peluang tingkat keabuan citra pada baris ke- dan kolom ke- dalam GLCM

: nilai rata-rata ( )

: nilai rata-rata elemen kolom ( ) pada citra : nilai rata-rata elemen baris ( ) pada citra : standar deviasi elemen kolom ( ) pada citra

: standar deviasi elemen baris ( ) pada citra

( ) : jumlah ( ) , dengan ( ) : jumlah ( ) | | , dengan

: banyaknya neuron input atau variabel input : banyaknya neuron pada lapisan tersembunyi : banyaknya neuron pada lapisan output

: variabel input, dengan

xvi : nilai output

: bobot-bobot yang menghubungkan neuron input ke-i menuju neuron

ke-j pada lapisan tersembunyi

: bobot dari neuron ke-j pada lapisan tersembunyi yang menuju lapisan

output, dengan

: bobot bias yang menuju neuron ke-j pada lapisan tersembunyi, dengan

: bobot bias yang menuju neuron pada lapisan output : error

: unit error yang akan dipakai dalam perubahan bobot lapisan tersembunyi

: unit error yang akan dipakai dalam perubahan bobot lapisan input : target output (output yang diinginkan)

: laju pembelajaran : banyaknya data

: nilai data ke-q yang telah dinormalisasi, dengan : nilai data ke-q, dengan

̅ : nilai rata-rata data

: nilai standar deviasi data P : matriks data input T : matriks data target

xvii Tn : matriks data target yang ternormalisasi Meanp : rata-rata pada matriks data input asli Stdp :standar deviasi pada matriks data input asli Meant :rata-rata pada matriks target asli

Stdt :standar deviasi pada matriks target asli Pc : matriks input testing

Qn : matriks input testing yang ternormalisasi

PR : matriks berukuran yang berisi nilai minimum dan maksimum data pada setiap variabel input

: banyak lapisan jaringan

Sh : banyak neuron pada lapisan ke-h, dengan

TFh : fungsi aktivasi pada lapisan ke-h, dengan

xviii

DAFTAR LAMPIRAN

Lampiran 1 Citra Kolposkopi Serviks ... 90

Lampiran 2 M-file Matlab untuk Operasi Spasial dan Ekstraksi Fitur menggunakan GLCM ...102

Lampiran 3 Hasil Ekstraksi Citra Kolposkopi ...107

Lampiran 4 Hasil Ekstraksi Citra Kolposkopi pada Data Training ...111

Lampiran 5 Hasil Ekstraksi Citra Kolposkopi pada Data Testing...114

Lampiran 6 Normalisasi Data Training ...115

Lampiran 7 Normalisasi Data Testing ...118

Lampiran 8 M-file Pembelajaran Backpropagation Neural Network ...119

Lampiran 9 Nilai Bobot dan Bias Terbaik Hasil Pembelajaran Backpropagation ...121

Lampiran 10 Target, Output dan Error Pembelajaran Backpropagation Neural Network untuk Klasifikasi Stadium Kanker Serviks ...122