i
DETEKSI DINI KANKER PARU DENGAN MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK (FRBFNN) DAN HIGH
FREQUENCY EMPHASIS FILTER
SKRIPSI
Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta untuk Memenuhi sebagian Persyaratan Guna
Memperoleh Gelar Sarjana Sains
Oleh
Leonardus Ragil Pamungkas NIM 13305141033
PROGRAM STUDI MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI YOGYAKARTA
v MOTTO
“to see the world, things dangerous to come to, to see behind walls, to draw closer, to find each other and to feel, that is the purpose of life”
-The Secret Life of Walter Mitty-
“Mandatum novum do vobis ut diligatis invicem sicut dilexi vos,
Aku memberikan perintah baru kepada kamu, yaitu supaya kamu saling mengasihi, sama seperti Aku telah mengasihi kamu demikian pula kamu harus saling mengasihi”, Yohanes 13: 34.
Tuhan selalu bersama orang benar, Tuhan selalu melindungi anak-anakNya jangan takut, Tuhan ada bersama kita.
vi
HALAMAN PERSEMBAHAN
Kedua orang tuaku, Albertus Suharyanto dan Bernadetta Sustiwi.
Saudari-saudariku, mbak Dita dan mbak Mega.
vii
DETEKSI DINI KANKER PARU DENGAN MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK (FRBFNN) DAN HIGH
FREQUENCY EMPHASIS FILTER Oleh:
Leonardus Ragil Pamungkas 13305141033
ABSTRAK
Kanker paru merupakan salah satu jenis kanker yang dalam beberapa dekade ini menjadi salah satu penyebab utama kematian pada semua kasus kanker di seluruh dunia. Oleh karena itu, deteksi kanker paru sejak dini perlu dilakukan untuk menekan kasus kematian pada kanker paru. Fuzzy Radial Basis Function Neural
Network (FRBFNN) merupakan gabungan model jaringan saraf tiruan dan logika fuzzy yang dapat digunakan untuk mendeteksi dini kanker paru. Penelitian ini
bertujuan untuk menjelaskan langkah-langkah pembentukan model FRBFNN dan ketepatan hasil deteksi dini kanker paru menggunakan model FRBFNN.
Prosedur awal pembentukan model FRBFNN untuk mendeteksi dini kanker paru adalah preprocessing citra dengan melakukan operasi transformasi menggunakan filter high frequency emphasis dan histogram equalization. Selanjutnya, menggunakan metode Gray Level Co-occurrence Matrix (GLCM) untuk mengekstrak 14 fitur second order statistical. Dengan melakukan t-test terpilih 5 fitur yang berbeda signifikan yaitu energy, contrast, correlation, inverse
difference moment, dan entropy. Selanjutnya, membagi data menjadi 2 bagian yaitu
80% data training dan 20% data testing. Variabel input yang digunakan adalah 5 fiturr hasil ekstraksi metode GLCM dan variabel output adalah diagnosa dari citra
radiography. Pada pembelajaran FRBFNN terbagi menjadi 4 tahap, yaitu
melakukan fuzzifikasi dari 5 fitur dengan menggunakan fungsi keanggotaan trapesium, menentukan nilai pusat dan jarak dari fungsi aktivasi gaussian dengan menggunakan K-Means clustering, menentukan jumlah neuron pada lapisan tersembunyi, dan menentukan bobot-bobot jaringan dengan menggunakan dua pendekatan yaitu metode Global Ridge Regression dan algoritma Backpropagation. Berdasarkan langkah-langkah pembentukan model FRBFNN untuk mendeteksi dini kanker paru, diperoleh model FRBFNN terbaik dengan 5 neuron pada lapisan input fitur, 15 neuron pada lapisan input fuzzy, 7 neuron serta 1 neuron bias pada lapisan tersembunyi, dan 1 neuron pada lapisan output. Tingkat persentase sensitivitas, spesifisitas, dan akurasi model FRBFNN secara berurutan adalah 88,1%, 100%, 93,75% untuk data training dan 80%, 80%, 80% untuk data
testing.
Kata Kunci : Kanker Paru, Fuzzy Radial Basis Function Neural Network (FRBFNN), Filter High Frequency Emphasis, Backpropagation, Global Ridge
viii
KATA PENGANTAR
Puji syukur dan terima kasih ke hadirat Tuhan Yang Maha Esa, yang telah melimpahkan rahmat dan karunia kepada penulis sehingga dapat menyelesaikan skripsi ini. Penulisan skripsi ini bertujuan memenuhi salah satu syarat untuk memperoleh gelar Sarjana Sains Program Studi Matematika di Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Negeri Yogyakarta.
Penyusunan skripsi ini tidak lepas dari dukungan, motivasi, kerjasama maupun bimbingan dari berbagai pihak secara langsung maupun tidak langsung. Oleh karena itu, penulis menyampaikan terima kasih kepada:
1. Bapak Dr. Hartono, selaku Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam yang telah memberikan kesempatan penulis untuk menyelesaikan studi dan memberikan kelancaran dalam pelayanan akademik serta fasilitas studi di tingkat fakultas.
2. Bapak Dr. Ali Mahmudi, selaku Ketua Jurusan Pendidikan Matematika yang telah memberikan kelancaran dalam pelayanan akademik serta fasilitas studi di tingkat jurusan.
3. Bapak Dr. Agus Maman Abadi, selaku Ketua Program Studi Matematika dan Dosen Pembimbing II atas bimbingan, pengarahan, dan semangat dalam penyusunan skripsi ini serta dukungan akademik kepada penulis.
4. Ibu Dr. Dhoriva U.W., selaku Dosen Pembimbing I yang telah sangat sabar memberikan bimbingan, pengarahan, dan semangat dalam penyusunan skripsi ini.
ix
5. Ibu Retno Subekti, M. Sc, selaku Dosen Penasehat Akademik yang telah memberikan pengarahan dan bimbingan selama proses studi.
6. Seluruh Dosen Jurusan Pendidikan Matematika yang telah memberikan arahan dan ilmu yang bermanfaat bagi penulis.
7. Seluruh pihak yang telah membantu dan memberikan dukungan dalam penulisan skripsi ini hingga akhir.
Penulis menyadari bahwa masih banyak kekurangan dan kesalahan dalam skripsi ini. Oleh karena itu, kritik dan saran yang membangun penulis harapkan sebagai sebuah koreksi dan untuk perbaikan skripsi ini. Demikian skripsi ini penulis susun, semoga dapat memberikan manfaat bagi penulis dan pembaca.
Yogyakarta, 16 Mei 2017
Penulis,
x DAFTAR ISI
HALAMAN JUDUL... i
HALAMAN PERSETUJUAN ... ii
HALAMAN PENGESAHAN ... iii
HALAMAN PERNYATAAN ... iv MOTTO... v HALAMAN PERSEMBAHAN ... vi ABSTRAK ... vii KATA PENGANTAR...viii DAFTAR ISI ... x
DAFTAR TABEL ...xiii
DAFTAR GAMBAR ... xiv
DAFTAR LAMPIRAN ... xvi
DAFTAR SIMBOL...xvii BAB I PENDAHULUAN ...1 A. Latar Belakang ...1 B. Rumusan Masalah...6 C. Tujuan Penelitian ...7 D. Manfaat Penelitian ...7
BAB II KAJIAN TEORI ...9
A. Kanker Paru ...9
1. Pengertian Kanker Paru ...9
2. Jenis Kanker Paru ...10
3. Faktor Resiko Kanker Paru...11
4. Gejala Kanker Paru ...12
5. Deteksi Dini Kanker Paru ...13
B. Pengolahan Citra Digital...15
C. Perbaikan Kualitas Citra ...17
1. Transformasi Fourier Diskret 2-D ...19
2. Konsep Filter dalam Domain Frekuensi ...22
3. Filter Penajaman pada Domain Frekuensi ...24
xi
D. Ekstraksi Fitur Citra...26
E. Teori Himpunan Fuzzy ...29
1. Himpunan Klasik ...29
2. Himpunan Fuzzy ...30
3. Fungsi Keanggotaan ...30
4. Operasi Dasar Zadeh...33
F. Jaringan Saraf Tiruan (Artificial Neural Network) ...34
1. Arsitektur Jaringan ...37
2. Fungsi Aktivasi ...38
3. Algoritma Pembelajaran (Learning Algorithm) ...42
G. Ketepatan Hasil Diagnosa...43
BAB III PEMBAHASAN...45
A. Fuzzy Radial Basis Function Neural Network (FRBFNN) ...45
1. Arsitektur FRBFNN...46
2. Fungsi Aktivasi FRBFNN ...47
3. Algoritma Pembelajaran FRBFNN...49
B. Prosedur Model (FRBFNN) dengan Preprocessing Citra untuk Deteksi Dini Kanker Paru ...64
1. Preprocessing Citra ...64
2. Ekstraksi Fitur Citra...65
3. Pembagian Data ...65
4. Menentukan Variabel Input dan Variabel Output ...66
5. Pembelajaran FRBFNN ...66
6. Menentukan Jaringan Optimum ...72
C. Hasil Model (FRBFNN) dengan Preprocessing Citra untuk Deteksi Dini Kanker Paru ...74
1. Preprocessing Citra ...74
2. Ekstraksi Fitur pada Citra ...76
3. Pembagian Data ...77
4. Menentukan Variabel Input dan Variabel Output ...77
5. Pembelajaran FRBFNN ...78
6. Menentukan Jaringan Optimum ...85
xii BAB IV PENUTUP ...107 A. Kesimpulan ...107 B. Saran ...108 DAFTAR PUSTAKA ...110 LAMPIRAN ...114
xiii
DAFTAR TABEL
Tabel 2.1 Hasil Uji Diagnosa 2 Kategori ...43
Tabel 3.1 Tabel Data Pengamatan ...53
Tabel 3.2 Koordinat Pusat Cluster Partisi Pertama ...53
Tabel 3.3 Koordinat Pusat Cluster Partisi Kedua...55
Tabel 3.4 Hasil Ekstraksi Citra N1.jpg...77
Tabel 3.5 Persentase Akurasi Model RBFNN Metode Global Ridge Regression ...85
Tabel 3.6 Persentase Akurasi Model RBFNN Metode Algoritma Backpropagation ...87
Tabel 3.7 Persentase Akurasi Model FRBFNN Metode Global Ridge Regression ...89
Tabel 3.8 Persentase Akurasi Model FRBFNN Metode Algoritma Backpropagation ...90
Tabel 3.9 Perbandingan Hasil Ketepatan Deteksi Dini Kanker Paru pada Data Training dari model RBFNN dan FRBFNN ...103
Tabel 3.10 Perbandingan Tingkat Sensitivitas, Spesifisitas dan Akurasi pada Data Training dari RBFNN dan FBFNN ...104
Tabel 3.11 Perbandingan Hasil Ketepatan Deteksi Dini Kanker Paru pada Data Testing dari model RBFNN dan FRBFNN...104
Tabel 3.12 Perbandingan Tingkat Sensitivitas, Spesifisitas dan Akurasi pada Data Testing dari RBFNN dan FBFNN ...105
xiv
DAFTAR GAMBAR
Gambar 2.1 Spektrum Fourier 2-D ...18
Gambar 2.2 Citra Lena.jpg ...22
Gambar 2.3 Spektrum Fourier Citra pada Gambar 2.2(b) ...22
Gambar 2.4 Spektrum Fourier Filter 𝐻(𝑢, 𝑣) dan 𝐹(𝑢, 𝑣) ...23
Gambar 2.5 Citra Hasil Transformasi Balik dari Citra pada Langkah (3)...23
Gambar 2.6 Citra Hasil Perbaikan Kualitas Citra pada Domain Frekuensi ...24
Gambar 2.7 Representasi Kurva Linear Naik...31
Gambar 2.8 Representasi Kurva Linear Turun...32
Gambar 2.9 Representasi Kurva Segitiga ...32
Gambar 2.10 Representasi Kurva Trapesium ...33
Gambar 2.11 Jaringan Saraf Biologis ...35
Gambar 2.12 Model Jaringan Saraf Tiruan Non-Linear...36
Gambar 2.13 Arsitektur Jaringan Lapisan Tunggal...37
Gambar 2.14 Arsitektur Jaringan Lapisan Jamak...38
Gambar 2.15 Fungsi Identitas...39
Gambar 2.16 Fungsi Tangga Biner...40
Gambar 2.17 Fungsi Sigmoid Biner ...41
Gambar 2.18 Fungsi Sigmoid Bipolar ...41
Gambar 3.1 Arsitektur Model FRBFNN ...46
Gambar 3.2 Diagram Alir Pemodelan FRBFNN...73
Gambar 3.3 Pemotongan Citra Radiography N1.jpg...75
Gambar 3.4 Perbaikan Kualitas Citra Radiography N1.jpg ...75
Gambar 3.5 Filter Highpass...76
Gambar 3.6 Perbaikan Kualitas Citra Radiography N1.jpg dengan Filter High Frequency Emphasis...76
Gambar 3.7 Perbaikan Kualitas Citra Radiography N1.jpg dengan Histogram Equalization ...76
xv
Gambar 3.9 Perbedaan MSE Data Testing pada Model RBFNN ...88
Gambar 3.10 Perbedaan MSE Data Training pada Model FRBFNN ...91
Gambar 3.11 Perbedaan MSE Data Testing pada Model FRBFNN...91
xvi
DAFTAR LAMPIRAN
Lampiran 1. Citra Radiography Paru-Paru tanpa Preprocessing dan dengan
Preprocessing...115
Lampiran 2. Script m-file Ekstraksi Fitur Citra dengan Preprocessing ...120
Lampiran 3. Hasil Ekstraksi Fitur Citra Radiography Paru-Paru dengan Preprocessing...121
Lampiran 4. Data Training Citra Radiography Paru-Paru dengan Preprocessing...125
Lampiran 5. Data Testing Citra Radiography Paru-Paru dengan Preprocessing...129
Lampiran 6. Derajat Keanggotaan untuk Data Training Citra Radiography Paru-Paru dengan Preprocessing...130
Lampiran 7. Derajat Keanggotaan untuk Data Testing Citra Radiography Paru-Paru dengan Preprocessing...134
Lampiran 8. Nilai Pusat dan Jarak Maksimum 7 Cluster...135
Lampiran 9. Script Matlab Model FRBFNN Metode Global Ridge Regression ...136
Lampiran 10. Script Matlab Model FRBFNN Metode Algoritma Backpropagation ...138
Lampiran 11. Hasil Fungsi Aktivasi Gaussian untuk Data Training ...140
Lampiran 12. Hasil Fungsi Aktivasi Gaussian untuk Data Testing ...144
Lampiran 13. Hasil Output Model FRBFNN ...145
Lampiran 14. Bobot Hasil Pembelajaran Metode Algoritma Backpropagation ...148
Lampiran 15. Script m-file rbfDesign...149
Lampiran 16. Script m-file globalRidge ...152
Lampiran 17. Script m-file GLCM_Features4 untuk Ekstraksi Fitur pada Citra ...158
xvii
DAFTAR SIMBOL
𝑥𝑖 : Variabel input fitur ke-𝑖. 𝑖 : 1, 2, 3, . . . , 𝑝.
𝜇𝑙𝑖(𝑥𝑖) : Derajat keanggotaan himpunan fuzzy ke-𝑙 dari variabel input ke-𝑖.
𝑙 : 1,2,3, … , 𝑞.
𝜑𝑗 : Fungsi aktivasi ke-𝑗.
𝑤𝑗 : Bobot dari neuron ke-𝑗 pada lapisan tersembunyi menuju neuron pada lapisan output.
𝑗 : 1, 2, 3, . . . , 𝑚.
𝑤0 : Bobot bias pada lapisan tersembunyi menuju neuron pada lapisan output.
𝑦̂𝑘 : Hasil variabel output dari data ke-𝑘. 𝑦𝑘 : Target variabel output dari data ke-k. 𝑘 : 1, 2, 3, . . . , 𝑛.
𝑐(𝑙𝑖)𝑗 : nilai pusat cluster ke-𝑗.
𝑟𝑗 : jarak maksimum pada cluster ke-𝑗. 𝑚 : Jumlah neuron pada lapisan tersembunyi. 𝑛 : Jumlah data pengamatan.
𝑝 : Jumlah neuron pada lapisan input fitur. 𝑞 : Banyak himpunan fuzzy.
𝑑(𝐴, 𝐵) : Jarak Euclidean antara titik 𝐴 dan 𝐵. 𝑓(𝑥, 𝑦) : Fungsi diskrit citra digital.
𝐹(𝑢, 𝑣) : Fungsi diskrit transformasi fourier 2 dimensi. 𝑅(𝑢, 𝑣) : Komponen real dari 𝐹(𝑢, 𝑣).
𝐼(𝑢, 𝑣) : Komponen imaginer dari 𝐹(𝑢, 𝑣). |𝐹(𝑢, 𝑣)| : Spektrum Transformasi Fourier. ∅(𝑢, 𝑣) : Sudut Fase Transformasi Fourier. 𝑃(𝑢, 𝑣) : Power spektrum Transformasi Fourier. 𝐻ℎ𝑝(𝑢, 𝑣) : Fungsi filter Highpass.
xviii 𝐻𝑙𝑝(𝑢, 𝑣) : Fungsi filter Lowpass.
𝐻𝑏𝑡(𝑢, 𝑣) : Fungsi filter Butterworth Highpass.
𝐷0 : Cut-off frekuensi pada suatu filter Butterworth Highpass.
𝐷(𝑢, 𝑣) : Jarak sembarang titik (𝑢,𝑣) ke titik origin 𝐹(0,0). 𝐻ℎ𝑓𝑒(𝑢, 𝑣) : Fungsi filter High Frequency Emphasis.
𝑃𝑖𝑗 : Entri pada GLCM baris ke-i dan kolom ke-j. 𝑁𝑔 : Banyak tingkat keabuan pada suatu citra.
𝜇𝑥 : Rata-rata dari ∑ ∑ 𝑖𝑃(𝑖, 𝑗) 𝑁𝑔 𝑗=1 𝑁𝑔 𝑖 =1 . 𝜇𝑦 : Rata-rata dari ∑ ∑𝑁𝑔 𝑗𝑃(𝑖, 𝑗) 𝑗=1 𝑁𝑔 𝑖 =1 .
𝜎𝑥 : Simpangan baku dari ∑ ∑𝑁𝑔 (𝑖 − 𝜇𝑥)2 𝑗=1
𝑁𝑔
𝑖 =1 𝑃(𝑖, 𝑗).
𝜎𝑦 : Simpangan baku dari ∑ ∑𝑁𝑔 (𝑗 − 𝜇𝑦)2
𝑗=1 𝑁𝑔
