• Tidak ada hasil yang ditemukan

UCAPAN TERIMAKASIH. Denpasar, Agustus Penulis

N/A
N/A
Protected

Academic year: 2021

Membagikan "UCAPAN TERIMAKASIH. Denpasar, Agustus Penulis"

Copied!
11
0
0

Teks penuh

(1)

vi

UCAPAN TERIMAKASIH

Pertama-tama perkenankanlah penulis memanjatkan puji syukur ke hadapan Ida Sang Hyang Widhi Wasa karena hanya atas asung wara nugraha-Nya, tesis ini dapat diselesaikan.

Pada kesempatan ini perkenankanlah penulis mengucapkan terimakasih yang sebesar-besarnya kepada Dr. I Made Oka Widyantara, ST., MT, pembimbing satu yang dengan penuh perhatian telah memberikan dorongan, semangat, bimbingan, dan saran selama penulis mengikuti program magister, khususnya dalam penyelesaian tesis ini. Terima kasih sebesar-besarnya pula penulis sampaikan kepada Dr. Ir. Made Sudarma, M.A.Sc., pembimbing II yang dengan penuh perhatian dan kesabaran telah memberikan bimbingan dan saran kepada penulis.

Ucapan yang sama juga ditujukan kepada Rektor Universitas Udayana Prof.Dr.dr. Ketut Suastika, Sp.PD.KEMD atas kesempatan dan fasilitas yang diberikan kepada penulis untuk mengikuti dan menyelesaikan pendidikan Program Magister di Universitas Udayana. Ucapan terima kasih ini juga ditujukan kepada Direktur Program Pascasarjana Universitas Udayana yang dijabat oleh Prof. Dr. dr. A.A. Raka Sudewi, Sp.S(K). atas kesempatan yang diberikan kepada penulis untuk menjadi mahasiswa Program Magister pada Program Pascasarjana Universitas Udayana. Prof. Ir. Ida Ayu Dwi Giriantari, M.Eng.Sc., Ph.D., sebagai Ketua Program Magister Program Studi Teknik Elektro Program Pascasarjana Universitas Udayana dan juga sebagai penguji tesis yang telah banyak memberikan masukan dan saran perbaikan. Terimakasih pula penulis sampaikan kepada Prof. Ir. Rukmi Sari Hartati, MT.,Ph.D, dan I Nyoman Satya Kumara, ST., MSc., PhD, selaku penguji tesis yang telah memberikan masukan, saran, sanggahan, dan koreksi sehingga tesis ini dapat terwujud seperti ini.

Pada kesempatan ini penulis menyampaikan ucapan terima kasih yang tulus disertai penghargaan kepada seluruh guru-guru yang telah membimbing penulis, mulai dari sekolah dasar sampai perguruan tinggi. Juga penulis ucapkan terima kasih kepada Ayah, Ibu, kakak dan adik yang selalu memberikan dorongan moril maupun materiil. Terima kasih kepada Ni Kadek Septiari yang dengan sabar selalu memberi dorongan semangat. Teman-teman seperjuangan di S2 MSIK yang selalu memberikan semangat dalam perkuliahan dan utamanya Aditya Dwipayana teman seperjuangan dalam menyelesaikan thesis ini. Tidak lupa pula ucapan terima kasih penulis sampaikan kepada IKIP PGRI Bali khususnya keluarga besar FPMIPA IKIP PGRI Bali yang telah banyak memberikan bantuan, dukungan, motivasi dan waktu luang untuk menyelesaikan studi.

Akhir kata penulis sampaikan terimakasih kepada semua pihak yang telah membantu pelaksanaan dan penyelesaian tesis ini semoga Ida Sang Hyang Widhi Wasa/ Tuhan Yang Maha Esa selalu melimpahkan rahmat-Nya kepada kita semua.

Denpasar, Agustus 2016

(2)

vii ABSTRAK

TEKNIK SEGMENTASI DAN KLASIFIKASI UNTUK DETEKSI KANKER PAYUDARA PADA CITRA MAMMOGRAM

Deteksi dini terhadap keberadaan kanker payudara merupakan salah satu cara untuk memberikan penanganan yang tepat terhadap kanker sehingga resiko berkembangnya kanker dari benign menjadi malignant dapat ditekan. Mammografi merupakan peralatan yang efisien dalam deteksi dini keberadaan kanker payudara sebelum gejala fisik keberadaan kanker tersebut muncul. Akan tetapi penggunaan dua dokter ahli dalam pembacaan mammogram hasil mammorafi menyebabkan kurangnya efisien waktu dan biaya. Pengggunaan Computer Aided Diagnosis(CAD) sebagai pembaca mammogram kedua dapat menjadi opini pembanding kepada dokter ahli dalam mendeteksi kanker payudara. Penelitian ini mengajukan pengembangan sistem dalam mendeteksi dan mendiagnosis jenis kanker pada citra mammogram. Sistem yang diusulkan terdiri dari empat langkah utama yaitu preprocessing, segmentasi, ekstraksi fitur dan klasifikasi dengan penekanan penelitian pada teknik segmentasi dan teknik klasifikasi. Tahap preprocessing dilakukan dengan gaussian filter dan interpolasi bilinear. Teknik dalam melakukan deteksi dan segmentasi wilayah kanker dan nonkanker dilakukan dengan metode active contour Lankton. Ekstraksi fitur dilakukan terhadap lesi kanker hasil segmentasi berupa fitur statistik FO dan GLCM. Klasifikasi kanker ganas dan kanker jinak menggunakan neural network backpropagation dengan mengajukan 3 arsitektur neural network yaitu dengan 6 fitur FO, 16 fitur GLCM dan 22 fitur gabungan FO GLCM. Neural network dengan gabungan fitur FO dan GLCM memiliki kecepatan yang lebih baik dibandingkan menggunakan hanya satu fitur dilihat dari kemampuan pencapaian MSE terendah baik pada 250 epoch maupun 3000 epoch. Sedangkan dengan pengukuran kinerja sistem deteksi kanker payudara dari citra mammogram dengan melibatkan fitur FO memiliki nilai sensitifitas 100%, spesifisitas 92,86% dan akurasi 96,7% serta nilai unjuk kerja AUC sebesar 0,9706 dengan kategori unjuk kerja sangat baik. Performansi sistem dengan melibatkan fitur GLCM dengan sensitifitas 95,2%, spesifisitas 100% dan akurasi 86,7% memperoleh nilai AUC sebesar 0,8462 dengan kategori unjuk kerja baik. Performansi sistem dengan melibatkan fitur gabungan FO GLCM dengan sensitifitas 100%, spesifisitas 92,86% dan akurasi 96,7% memperoleh nilai AUC sebesar 0,9706 dengan kategori unjuk kerja sangat baik

Kata Kunci : Mammogram, Active Contour Lankton, Neural Network Backpropagation, FO, GLCM, Interpolasi Bilinear

(3)

viii ABSTRACT

SEGMENTATION AND CLASSIFICATION TECHNIQUES FOR DETECTION OF BREAST CANCER IN IMAGE MAMMOGRAMS

Early detection of the presence of breast cancer is the best way to reduce deaths from breast cancer. Mammography is the most efficient equipment in the early detection of breast cancer where the physical presence of cancer before symptoms appear. However, the use of two medical experts in reading mammograms lead to a lack of time and cost efficient. Using Computer Aided Diagnosis (CAD) as a second mammogram reader may be a comparative opinion to a specialist in detecting breast cancer. This study propose the development of a system to detect and diagnose the type of cancer on a mammogram image. The proposed system consists of four main steps, namely preprocessing, segmentation, feature extraction and classification with an emphasis on engineering research segmentation and classification techniques. Preprocessing stage is done with a gaussian filter and bilinear interpolation. Techniques in the detection and segmentation cancerous and noncancerous regions was conducted using active contour Lankton. Feature extraction performed on cancerous lesion segmentation results in the form of statistical features FO and GLCM. Classification of malignant tumors and benign tumors using back propagation neural network by posing three neural network architecture that is by 6 features FO, 16 features GLCM and 22 features combined FO and GLCM. The performance measurement system performance detection of breast cancer than mammograms overall image by engaging features FO has a value of sensitivity 100%, specificity of 92.86% and 96.7% accuracy and performance AUC value of 0.9706 with a very good performance categories. The performance of the system by engaging features GLCM with a sensitivity 95.2%, specificity of 100% and an accuracy of 86.7% obtained AUC value of 0.8462 with good performance category. The performance of the system involving the combined features FO GLCM with a sensitivity of 100%, a specificity of 92.86% and 96.7% accuracy obtained AUC value of 0.9706 with a very good performance categories Keywords: Mammograms, Active Contour Lankton, Neural Network Backpropagation, FO, GLCM, Bilinear Interpolation

(4)

ix DAFTAR ISI

Halaman

SAMPUL DALAM ...i

PRASYARAT GELAR ...ii

LEMBAR PENGESAHAN. ...iii

LEMBAR PANITIA PENGUJI ...iv

SURAT PERNYATAAN BEBAS PLAGIAT...v

UCAPAN TERIMA KASIH ...vi

ABSTRAK ...vii

ABSTRACT ...viii

DAFTAR ISI ...ix

DAFTAR TABEL ...xii

DAFTAR GAMBAR ...xiii

DAFTAR SINGKATAN ISTILAH ...xiv

BAB I PENDAHULUAN ...1

1.1 Latar Belakang ...1

1.2 Rumusan Masalah ...8

1.3 Tujuan Penelitian ...8

1.4 Manfaat Penelitian ...9

1.5 Ruang Lingkup Penelitian ...9

1.6 Keaslian Penelitian ...10

BAB II KAJIAN PUSTAKA ...15

2.1 State of The Art Review ...15

2.2 Payudara ...18

2.3 Kanker Payudara ...20

2.3.1 Lesi Kanker Payudara ...21

2.3.2 Tipe Kanker Payudara ...23

(5)

x

2.5 Computer Aided Diagnosis (CAD) ...26

2.5.1 Preprocessing ...27

2.5.2 Segmentasi ...32

2.5.3 Ekstraksi Fitur ...38

2.5.4 Klasifikasi...43

2.6 Evaluasi Performansi ...47

BAB III METODE PENELITIAN...51

3.1 Data Penelitian ...51

3.2 Tempat dan Waktu Penelitian ...52

3.3 Rancangan Penelitian ...52

3.4 Tahapan Preprocessing Citra ...55

3.4.1 Algoritma Gaussian Filter ...55

3.4.2 Algoritma Interpolasi Bilinear ...57

3.5 Algoritma Segmentasi Active Contour Lankton ...58

3.6 Ekstraksi Fitur FO dan GLCM ...59

3.7 Algoritma Klasifikasi Neural Network Backpropagation ...60

3.8 Evaluasi Performansi ...66

BAB IV Hasil dan Pembahasan ...67

4.1 Antarmuka Sistem ...67

4.2 Akuisisi Citra Mammogram ...73

4.3 Preprocessing Citra ...74

4.3.1 Gaussian Filter...74

4.3.2 Interpolasi Bilinear ...76

4.4 Segmentasi Active Contour Lankton ...77

4.5 Ekstraksi Fitur FO dan GLCM ...82

4.5.1 Penyimpanan Data Fitur ke Database MySQL ...92

4.6 Klasifikasi Backpropagation Neural Network ...95

4.6.1 Pelatihan Klasifkasi ...97

(6)

xi

BAB V Simpulan dan Saran ...122

5.1 Simpulan ...122

5.2 Saran ...123

(7)

xii

DAFTAR TABEL

Halaman

2.1 Pemetaan Penelitian dari Literatur Berkontribusi ... 18

2.2 Confusion Matrix ... 48

2.3 Kategori Unjuk Kerja Berdasarkan Nilai UAC ... 50

3.1 Target Output Identifkasi Kanker Payudara ... 62

4.1 Perbandingan Properties Citra Hasil Interpolasi Bilinear ... 77

4.2 Nilai Paramater Active Contour Lankton ... 80

4.3 Sampel hasil ekstraksi fitur FO dari ROI lesi kanker payudara ... 84

4.4 Nilai maksimum dan minimum fitur FO ... 84

4.5 Sampel hasil ekstraksi GLCM 0o pada ROI kanker payudara ... 88

4.6 Sampel hasil ekstraksi GLCM 45o pada ROI kanker payudara ... 88

4.7 Sampel hasil ekstraksi GLCM 90o pada ROI kanker payudara ... 88

4.8 Sampel hasil ekstraksi GLCM 135o pada ROI kanker payudara ... 89

4.9 Nilai maksimum dan minimum fitur GLCM ... 89

4.10 Struktur Tabel Jenis... 93

4.11 Struktur Tabel Result ... 93

4.12 Struktur Tabel Target ... 93

4.13 Struktur Tabel nndata ... 93

4.14 Struktur Tabel Setting ... 94

4.15 Neuron Setiap Layer pada Ketiga Arsitektur Neural Network ... 95

4.16 Parameter Backpropagation Neural Network ... 96

4.17 Sebaran data fitur untuk klasifikasi jenis kanker ... 96

4.18 Confusion Matrix Hasil Pengujian Fitur FO 300 epoch... 107

4.19 Confusion Matrix Hasil Pengujian Fitur FO 3000 epoch... 108

4.20 Confusion Matrix Hasil Pengujian Fitur GLCM 300 epoch ... 110

4.21 Confusion Matrix Hasil Pengujian Fitur GLCM 3000 epoch ... 110

4.22 Confusion Matrix Hasil Pengujian Fitur Gabungan 300 epoch ... 112

4.23 Confusion Matrix Hasil Pengujian Fitur Gabungan 3000 epoch ... 113

(8)

xiii

DAFTAR GAMBAR

Halaman

1.1 Diagram fishbone penelitian ... 14

2.1. Anatomi bagian payudara ... 19

2.2. Bentuk dan margin lesi massa kanker payudara ... 22

2.3. a) Membran normal ... 24

b) Membran dengan In Situ (Benign) ... 24

c) Membran dengan Invasive (Malignant) ... 24

2.4. Citra mammogram payudara ... 26

2.5. Pembentukan titik baru f(x,y) pada interpolasi bilinear ... 31

2.6. a) Bentuk kurva terbuka pada 𝑅∞ ... 33

b) Bentuk kurva tertutup pada 𝑅∞ ... 33

c) Representasi himpunan titik pembentuk kurva pada 𝑅2 ... 33

2.7. Representasi fungsi level set pada kurva C ... 36

2.8. a) Wilayah lokal luar ... 37

b) Wilayah lokal dalam ... 37

2.9. Neural network dengan 3 layer ... 44

2.10. Arsitektur umum neural network backpropagation ... 46

2.11. Contoh kurva ROC ... 49

3.1. a) Citra mammogram payudara tanpa tanda ... 51

b) Citra mammogram payudara dengan tanda lesi kanker ... 51

3.2. Diagram penelitian ... 52

3.3. Gambaran Umum Rancangan Sistem ... 54

3.4 Model arsitektur dengan input fitur FO ... 62

3.5 Model arsitektur dengan input fitur GLCM ... 63

3.6 Model arsitektur dengan input gabungan fitur FO dan GLCM... 63

4.1 Antarmuka system segmentasi dan klasifikasi kanker payudara ... 67

4.2 Antarmuka setting direktori citra latih dan citra uji ... 68

4.3 List citra mammogram yang dipilih ... 68

4.4 Mammogram awal dan proses preprocessing ... 69

(9)

xiv

4.6 Proses segmentasi dan hasil segmentasi ... 70

4.7 Antarmuka proses klasifikasi ... 71

4.8 Antarmuka Proses pelatihan selesai ... 71

4.9 Antarmuka Proses Pengujian selesai ... 72

4.10 Antarmuka ROC Klasifikasi ... 72

4.11 a) Mammogram payudara tanpa overlay... 73

b) Mammogram payudara dengan overlay ... 73

4.12 Citra hasil cropping ... 74

4.13 a) Citra awal ... 75

b) Citra setelah mengalami Gaussian filter ... 75

4.14 a) Citra mammogram payudara yang mengandung kanker ganas ... 78

b) Citra mammogram payudara yang mengandung kanker jinak ... 78

4.15 Overlay posisi lesi kanker payudara dari BCDR ... 79

4.16 Inisialisasi kontur awal pada daerah objek lesi kanker ... 79

4.17 Contoh hasil pencarian dan segmentasi lesi kanker jinak ... 81

4.18 Contoh hasil pencarian dan segmentasi lesi kanker ganas ... 81

4.19 Active contour Lankton mengkoreksi kesalahan penandaan ... 82

4.20 Nilai fitur FO dari ROI lesi kanker payudara... 83

4.21 Grafik perbandingan nilai fitur FO (mean, stdev dan skewness) ... 85

4.22 Grafik perbandingan nilai fitur FO (smoothness, uniformity dan entropy) ... 85

4.23 Nilai fitur GLCM dari ROI lesi kanker payudara ... 86

4.24 Grafik perbandingan nilai fitur GLCM pada arah 0º ... 90

4.25 Grafik perbandingan nilai fitur GLCM pada arah 45º ... 90

4.26 Grafik perbandingan nilai fitur GLCM pada arah 90º ... 91

4.27 Grafik perbandingan nilai fitur GLCM pada arah 135º ... 91

4.28 Skema relasi antar tabel pada database ... 92

4.29 Grafik MSE pelatihan dengan Fitur FO ... 98

4.30 Nilai parameter hasil pelatihan dengan fitur FO ... 98

4.31 Grafik MSE pelatihan dengan Fitur GLCM... 100

(10)

xv

4.33 Grafik MSE pelatihan dengan fitur gabungan ... 101

4.34 Nilai parameter hasil pelatihan dengan fitur gabungan... 101

4.35 Grafik perbandingan MSE pelatihan ... 103

4.36 Kurva ROC klasifikasi dengan fitur FO... 109

4.37 Kurva ROC klasifikasi dengan fitur GLCM ... 111

4.38 Kurva ROC klasifikasi dengan fitur gabungan ... 114

4.39 Perbandingan rentang nilai fitur FO pada kanker ganas ... 115

4.40 Perbandingan rentang nilai fitur FO pada kanker jinak ... 116

4.41 Perbandingan rentang nilai fitur GLCM pada kanker jinak ... 117

(11)

xvi

DAFTAR ISTILAH DAN SINGKATAN

AUC : Area Under Curve ROC

BCDR : Breast Cancer Database Repository CAD : Computer Aided Diagnosis

DCIS : Ductal Carsinoma In Situ FP : False Positive

FN : False Negative FO : First Order

GLCM : Gray Level Co-occurrence Matrix Lesi : Jaringan abnormal pada tubuh LCIS : Lobular Carsinoma In Situ

Mammografi : Peralatan X-Ray dosis rendah untuk scanning payudara manusia

Mammogram : Citra hasil proses mammografi MSE : Mean Square Error

NCD : Non-communicable Diseases

Overlay :Tanda posisi kanker oleh dokter ahli pada citra mammogram

ROC : Receiver Operating Characteristic ROI : Region Of Interest

TP : True Positive TN : True Negative

Referensi

Dokumen terkait

Selain itu dalam menunjang kinerja para pegawai perlu juga memperhatikan unsur-unsur pendukung lainnya seperti kepemimpinan, budaya organisasi dan motivasi kerja,

Tabel 1 Deskriptif menjelaskan variabel dependen Y (Islamic Corporate). Pengujian hipotesis menggunakan model regresi logistik. Regresi logistik digunakan untuk

Dalam hal ini kewenangan Notaris membuat akta yang berkaitan dengan pertanahan menjadi kabur yang telah tugaskan oleh Undang-Undang Jabatan Notaris dan di sisi

Bila dilihat terjadinya kerugian dengan teori accident model dari ILCI, maka manajemen risiko dapat memotong mata rantai kejadian kerugian tersebut,

penelitian ini juga diharapkan dapat memberikan informasi baik kepada pihak manajemen maupun investor mengenai faktor yang berpengaruh terhadap kinerja perusahaan terkait

Brzina digitalnog prijenosa izražena je u bitima u sekundi (bit/s), a što je veća brzina to je i veća količina podataka koja se može istodobno prenijeti. U početku

Perubahan yang sangat menonjol yaitu terjadi pengurangan pada gelombang lambat, terutama stadium 4, gelombang alfa terjadi pengurangan pada gelombang lambat, terutama

Balita yang kekurangan gizi akan tumbuh pendek dan mengalami gangguan pertumbuhan dan perkembangan otak yang berpengaruh pada rendahnya tingkat kecerdasan karena tumbuh kembang