5
BAB II
KAJIAN PUSTAKA
2.1 Computer
Aided
Mammography
Menurut Yusuf (2007), Computer-Aided Mammography (CAM) merupakan sebuah sistem yang digunakan untuk melakukan deteksi dan klasifikasi terhadap kanker dengan berdasarkan pada mammogram. Suatu sistem CAM dibagi menjadi 2 modul, yaitu Computer Aided Detection(CAD) dan Computer Aided Diagnosis(CADx). CAD berfungsi untuk melakukan deteksi pada mammogram secara otomatis sehingga proses deteksi kanker semakin cepat serta mengurangi tingkat kesalahan.
Fungsi dari CADx adalah untuk mengklasifikasi hasil gumpalan-gumpalan ke dalam kelas tertentu.Tujuan utama dari CADx adalah untuk membantu para ahli untuk mengklasifikasi jenis atau kelas gumpalan yang ada.Gumpalan yang diklasifikasi termasuk dalam jenis maupun struktur keabnormalan.Jenis gumpalan dibagi menjadi dua, yaitu benign dan malignant.Sedangkan struktur keabnormalan dibagi menjadi enam, yaitu CIRC, MISC, CALC, ASYM, ARCH, dan SPIC.Enam jenis struktur keabnormalan tersebut terdapat pada jenis benign dan malignant sehingga terdapat total keseluruhan struktur keabnormalan sebanyak 12 struktur.
Gambar 2.1 Diagram blok dari CAD Sistem (Yusuf, 2007)
Gambar diatas adalah proses yang terdapat pada CAD sistem. Umumnya, proses tersebut dibagi menjadi 3 bagian, yaitu preprocessing, detection, dan classification.
Pada tahap awal, mammogram dibuat menjadi mammogram digital agar bisa diproses oleh computer.Tujuan preprocessing adalah untuk menghilangkan informasi yang terhalang oleh noise.
Pada tahap deteksi dilakukanproses untuk mendeteksi gumpalan-gumpalan yang dicurigai sebagai kanker. Proses ini diawali dengan memilih region of interests(ROIs) yang diduga sebagai daerah yang dicurigai. Area yang diduga tersebut terkadang terdapat noise, sehingga proses contrast enchantment dan segmentation dibutuhkan agar gambar menjadi lebih jelas. Langkah terakhir adalah mengekstrak fitur yang ada untuk menentukan apakah area tersebut adalah area yang benar.
Pada tahap klasifikasi, fitur-fitur yang ada diekstraksi dan digunakan sebagai input untuk menentukan jenis gumpalan, sepert benign, malignant, dan normal. Normal berarti gumpalan tersebut bukan merupakan kanker.Benign dapat dikatakan sebagai tumor, tetapi tidak menyebar ke organ tubuh lain, dan tidak membahayakan jiwa penderita. Malignant adalah jenis tumor yang dapat menyebar ke organ tubuh lain, sehingga jenis tumor ini membahayakan jiwa penderita.
2.2 Image
Pre-processing
Pre-processing adalah sebuah operasi awal yang digunakan untuk memproses sebuah gambar (Sonka, M, et al, 2008).Pre-processing tidak menambah informasi pada gambar.Tujuan dari pre-processing adalah untuk meningkatkan informasi pada gambar yang seharusnya terdistorsi.Informasi pada gambar yang seharusnya bisa diekstraksi terkadang terhalang oleh gangguan atau noise, sehingga informasi tersebut gagal didapatkan.Beberapa contoh masalah yang terjadi pada gambar yang menyebabkan kualitas gambar menurun adalah contrast yang buruk, berbagai noise, distorsi geometri, dan tingkat fokus yang buruk (Menotti,
et al, 2008).
2.2.1 Morfologi
Morfologi adalah sebuah tools untuk mengekstrak komponen pada gambar yang berguna untuk mendeskripsikan bentuk seperti batas dari objek.
Perhitungan morfologi image processing menggunakan geometry yang berfokus pada struktur geometry pada sebuah gambar (Rong Wang, 2011).Untuk menggunakan operasi morfologi, diperlukan dua elemen, yaitu object (gambar) dan struktur element (SE). SE bentuk yang akan digunakan untuk mengubah object. Bentuk SE dapat berupa ball, disk, line, dll. Penggunaan SE yang berbeda dapat menghasilkan object yang berbeda.
Operasi morfologi digunakan untuk melakukan proses pemfilteran pada gambar tanpa merusak struktur gambar (Luc Vincent, 1992). Operasi morfologi yang sering digunakan adalah erosi dan dilatasi.Operasi dilatasi dilakukan untuk membesarkan gambar, sedangkan operasi erosi dilakukan untuk mengecilkan gambar. Penggunaan SE yang berbeda akan mempengaruhi hasil pembesaran atau pengecilan object. Jenis-jenis yang ada pada morfologi adalah binary morphology dan gray-scale morphology. Pada dasarnya, binary dan gray-scale menggunakan rumus yang sama. Binary menggunakan angka 0 dan 1, sehingga angka yang berubah hanya berkisar antara 0 dan 1. Berbeda dengan gray-scale image, dimana nilai pada image tidak hanya bernilai 0 dan 1, sehingga proses yang dilakukan adalah dengan mencari nilai maksimum dan nilai minimum sehingga proses perubahan tidak mengubah langsung dari putih menjadi hitam, tetapi akan melihat area disekitar putih.
Misalkan g(x,y) adalah sebuah gambar gray-scale, maka dilatasi digambarkan dengan rumus:
, max
Dimana B adalah SE dan simbol melambangkan dilatasi
Gambar 2.2 Contoh Proses Dilatasi
Gambar diatas menunjukan gambar yang diproses menggunakan dilatasi dengan SE berbentuk line. Karena proses dilatasi adalah untuk memperbesar ukuran gambar, maka tulisan pada gambar akan diperbesar dengan bentuk line atau garis. Hasil yang diperoleh adalah tulisan yang memanjang ke arah bawah.
Sedangkan erosi digambarkan dengan rumus :
, min
, ,
Gambar 2.3 Contoh proses Erosi
Gambar diatas menunjukan proses erosi dengan SE berbentuk disk. Proses erosi akan menyebabkan gambar akan diperkecil sesuai dengan bentuk disk. Maka hasil yang diperoleh adalah gambar lingkaran akan diperkecil dari arah luar dan dalam.
Terdapat dua jenis operasi yang menggabungkan antara dilatasi dan erosi.Operasi yang menggunakan operasi erosi kemudian diikuti dengan dilatasi disebut sebagai morfologi opening.Sedangkan operasi yang menggunakan operasi dilatasi kemudian diikuti dengan erosi disebut sebagai morfologi closing. Operasi opening bertujuan untuk menghaluskan object serta menghilangkan garis atau object yang tipis. Operasi closing bertujuan untuk menghaluskan object, tetapi dengan operasi closing, lubang-lubang yang kecil serta garis yang terputus akan terhubung kembali.
Rumus yang digunakan pada morfologi opening adalah :
Gambar 2.4 Contoh proses Opening
Dari gambar diatas dapat dilihat bahwa ukuran gambar tidak membesar atau mengecil. Proses ini akan menghilangkan noise atau titik-titik putih yang kecil sehingga pixel berwarna putih yang kecil akan menghilang.
Rumus yang digunakan pada morfologi closing adalah :
• , ,
Simbol melambangkan opening, sedangkan • melambangkan closing.
Gambar 2.5 Contoh proses Closing
Gambar diatas menunjukan proses Closing. Dari gambar diatas dapat dilihat bahwa bulatan-bulatan akan semakin terhubung dan membentuk suatu jalan jika dilakukan proses closing.
2.3 Ekstraksi
Fitur
Ekstraksi fitur adalah sebuah proses untuk mendapatkan informasi yang ada terdapat pada suatu data. Dengan menggunakan metode yang tepat, maka hasil ekstraksi fitur akan menghasilkan data yang relevan untuk dijadikan sebagai pembanding yang kuat. Pada umumnya, hasil ekstraksi fitur menghasilkan data yang besar. Data yang besar akan membuat proses deteksi dan klasifikasi menjadi lama karena data yang akan diproses sangat besar. Selain itu, data yang banyak akan memberatkan memori komputer. Salah satu solusi yang ditawarkan adalah mengecilkan data sehingga proses yang akan semakin cepat dan tidak membutuhkan memori yang cukup besar. Hal yang perlu diperhatikan pada saat reduksi fitur adalah data yang menjadi pembanding yang kuat tidak boleh hilang sehingga dengan data yang lebih kecil tetap dapat menghasilkan hasil yang akurat. Beberapa metode yang digunakan untuk ekstraksi fitur adalah Histogram warna dan wavelet transform.
2.3.1 Histogram
Histogram adalah sebuah diagram yang menggambarkan persebaran warna yang terdapat pada gambar. Histogram pada umumnya
dibagi menjadi 256 bagian warna(0-255).Tetapi jika masih terlalu besar, dapat dikecilkan dengan menggabungkan beberapa bagian menjadi 1 bagian.Tetapi dengan menggunakan histogram warna, hasil yang didapat kurang bisa menjadi pembeda yang kuat karena fitur yang diekstraksi hanya berupa warna.Gambar yang secara visual berbeda, dapat menghasilkan histogram yang mirip jika persebarann warnanya mirip.
2.3.1.1 Conventional
Color
Histogram
Pada Conventional Color Histogram (CCH), sebuah histogram didapat dengan menjumlahkan tiap warna yang ada pada gambar tersebut. Setiap pixel pada gambar dapat dideskripsikan dengan 3 komponen pada colour space(Red, Green, Blue pada RGB colour space, dan Hue, Saturation, Value pada HSV colour space). Keunggulan dari CCH adalah simple dan mudah untuk melakukan perhitungan, tetapi terdapat beberapa kekurangan pada CCH, yaitu sangat bergantung pada noise seperti pencahayaan, dimana dengan warna yang sama, tetapi dengan pencahayaan yang berbeda dapat menghasilkan histogram yang berbeda.
2.3.1.2
Fuzzy Color Histogram
Dengan menggunakan CCH, persoalan yang muncul adalah perbedaan yang sedikit pada setiap bin dapat menghasilkan histogram yang berbeda. Dan untuk mengatasi hal tersebut, bin tersebut dibuat dengan L*a*b*colour space. L* merupakan luminance, a* merupakan relatif antara hijau-merah, dan b* merupakan relatif antara
biru-kuning.Semua warna termasuk abu-abu dapat dibuat dengan mengkombinasikan 3 komponen tersebut.Untuk a* dan b*, dibagi menjadi 5 bagian, yaitu green, greenish, middle, reddish, dan red.Sedangkan b* dibagi menjadi blue, bluish, middle, yellowish, dan yellow. Dan L* hanya dibagi menjadi 3 bagian: black, grey, dan white. Dan untuk output dari fuzzy terdiri dari 10 bagian: black, dark grey, red, brown, yellow, green, blue, cyan, magenta, dan white.
2.3.2 Wavelet Transform
Tahap pertama yang dilakukan pada wavelet adalah menentukan jenis wavelet.Beberapa contoh wavelet yang sering digunakan adalah Haar, Daubechies, Coiflet, Symlet, Meyer, Morlet, dan Mexican Hat.Biasa disebut sebagai mother wavelet.Haar wavelet adalah salah satu wavelet yang paling simple dan paling lama.
Wavelet transform dapat dibagi menjadi 2, yaitu continuous wavelet transform dan discrete wavelet transform.
2.3.2.1 Continuous
Wavelet Transform
Cara kerja Continuous wavelet transform adalah melakukan konvolusi antara sinyal awal dengan mother wavelet pada setiap waktu dengan menggunakan rumus :
XWT= signal yang telah dianalisa
τ = parameter translasi (shifting) s = parameter dilatasi (scaling)
(t) = jenis mother wavelet x(t) = signal awal
2.3.2.2 Discrete
Wavelet Transform
Dalam DWT, sinyal dibagi menjadi 2 bagian yaitu bagian dengan frekuensi rendah dan frekuensi tinggi dengan menggunakan 2 filter yaitu low pass filter dan high pass filter. Kemudian hasil filter tersebut diambil sebagian dan dilakukan proses downsampling. Proses ini disebut dengan dekomposisi. Rumus untuk menghitung frekuensi rendah dan tinggi 1 tingkat adalah sebagai berikut:
Dimana:
ylow[k] = hasil dari low pass filter
yhigh[k] = hasil dari high pass filter
x[n] = sinyal awal g[n] = high pass filter h[n] = low pass filter
Proses dekomposisi diatas dapat dilakukan berulang sehingga didapat hasil dekomposisi dengan n-tingkat. Untuk proses dekomposisi
tingkat berikutnya, digunakan ylow[k] sebagai sinyal awal. Jika suatu
gambar diterapkan proses DWT dua dimensi dengan dekomposisi tingkat satu, maka akan menghasilkan empat buah subband, yaitu :
1. Koefisien Approksimasi (CA j+l) atau disebut sebagai LL 2. Koefisien Detil Horizontal (CD(h) j+l) atau disebut sebagai HL 3. Koefisien Detil Vertikal (CD(v) j+l) atau disebut sebagai LH 4. Koefisien Detil Diagonal (CD(d) j+l) atau disebut sebagai HH
LL HL LH HH
Gambar 2.5 Susunan subband Hasil Dekomposisi Tingkat Satu
Pada saat proses dekomposisi tingkat selanjutnya dilakukan, subband LL akan dijadikana sebagai objek dekomposisi karena menyimpan sebagian informasi gambar. Dekomposisi tingkat dua akan menyebabkan subband LL akan terbagi menjadi empat bagian, yaitu LL2, LH2, HL2, dan HH2. Begitu juga dengan proses dekomposisi selanjutnya.
LL2 HL2
HL1 LH2 HH2
LH1 HH1
Jenis mother wavelet harus memenuhi kondisi orthogonal agar proses dekomposisi dan rekonstruksi dapat sesuai:
|H(w)|2 + |G(w)|2 = 1, dimana H(w) = ∑
G(w) = ∑
Contoh H(w) dan G(w) pada Haar Wavelet adalah: H(w) = +
G(w) = -
Menurut Kingsbury (2001), DWT memiliki kelemahan yaitu sangat dipengaruhi dengan persegeran (severe shift dependence) dan pemilihan arah yang sedikit pada 2-D,3-D, dan lain-lain.
2.3.3 Dual Tree Complex Wavelet Transform (DTCWT)
Dengan menggunakan DTCWT, masalah pada DWT dapat diselesaikan karena DTCWT memiliki pemilihan arah yang lebih bagus, serta tidak terlalu dipengaruhi dengan persegeran, memiliki proses rekonstruksi yang sempurna (Kingsbury, 2001). Berbeda dengan DWT yang menggunakan 1 tree dan menghasilkan nilai real, DTCWT menggunakan 2 tree dan akan menghasilkan nilai real dan imaginary.
Gambar 2.7 Dual Tree Complex Wavelet Transform
Pada gambar 2.8, Tree a adalah real Tree, sedangkan tree b adalah
imaginary tree. Dari gambar diatas, dapat dilihat bahwa tree a maupun tree
b merupakan proses DWT. Untuk mengatasi kelemahan pada DWT, DTCWT menggunakan 2 tree dengan mengandakan jumlah sampel pada tiap level. Untuk mencapai hal tersebut, maka sampel harus berukuran genap.Dengan menggunakan 2 tree, maka filter yang digunakan berbeda dengan DWT. Filter yang digunakan untuk DTCWT adalah odd/even filter. Menurut Kingsbury(2001), Terdapat beberapa masalah dengan odd/even filter yaitu 2 tree mempunyai frekuensi respon yang berbeda, serta jenis filter harus biorthogonal, dibanding dengan orthogonal sehingga dibuat filter baru yaitu q-shift filter. Dengan menggunakan Q-shift filter, rekonstruksi yang sempurna dapat tercapai. Tujuan Q-shift filter adalah untuk mendapat odd even lowpass filter dengan delay dari ¼ sampel yang memenuhi kondisi standar pada rekonstruksi yang sempurna.
Beberapa jenis filter yang digunakan N. Kingsbury pada tingkat 1: 1. Filter Antonini dengan panjang 9,7
2. Filter LeGall dengan panjang 5,4 3. Filter Near-Symmetric panjang 5,7 4. Filter Near-Symmetric panjang 13,19
Dan filter-filter yang digunakan pada tingkat selanjutnya: 1. Filter q-shift 6,6 2. Filter q-shift 10,10 3. Filter q-shift 14,14 4. Filter q-shift 16,16 5. Filter q-shift 18,18
2.4 Neural
Network
Neural Network (NN) adalah sebuah teknik pembelajaran yang menyerupai otak manusia, dimana neuron- neuron yang ada dihubungkan dengan synapses untuk saling berhubungan. NN ini menggunakan data-data yang sudah ada untuk dijadikan sebagai pembelajaran.Terdapat berbagai jenis neural network, seperti Single Layered perceptrons, dan multilayered perceptrons. Single layered perceptrons hanya bisa menangani masalah yang sederhana, karena arsitektur yang sederhana (hanya memiliki input dan output). Sedangkan untuk masalah yang lebih kompleks, digunakan multilayered perceptrons dimana pada bagian arsitektur terdapat input, hidden dan output layer.
Arsitektur neural network bergantung pada 3 aspek, yaitu input dan fungsi aktivasi, network arsitektur, danweight pada tiap koneksi. Input serta arsitektur bersifat tetap, sehingga proses training bertujuan untuk menentukan weight untuk masing-masing koneksi. Algoritma yang digunakan untuk neural network adalah algoritma back propagation. Dengan menggunakan back propagation, proses training akan memakan waktu yang lama sehingga proses training akan berhenti dengan menetapkan beberapa rule untuk berhenti, yaitu jika mencapai jumlah perulangan, mencapai error measure terhadap threshold, dan ketika tidak ada peningkatan pada error measure pada jumlah perulangan tertentu.
Gambar 2.8 Contoh arsitektur Neural Network
Gambar diatas merupakan contoh dari arsitektur neural network. X merupakan inputan yang akandimasukkan ke dalam jaringan NN. Sedangkan n merupakan jumlah inputan yang diberikan. Node yang berada diantara input node dan output node disebut sebagai hidden layer.
Perhitungan akan dilakukan dengan melakukan perkalian antara inputan dengan weight (w) sampai mendapatkan hasil pada output. Jika output yang dihasilkan tidak sesuai dengan output yang diinginkan, maka proses akan kembali dilakukan dengan mengubah nilai weight pada setiap garis.
2.5 Penelitian yang relevan
Penelitian tentang kanker payudara berbasis mammogram menggunakan wavelet dan Neural Network classifier sudah pernah dilakukan sebelumnya.Tingkat keakuratan yang diperoleh tergolong cukup baik.
Pada tahun 2007, Yusof, N. Md, et aldengan paper yang berjudul “Computer-Aided Detection and Diagnosis for Microcalcification in
Mammogram:A Review” melakukan review terhadap CAD dan CADx
berbasis mammogram. Beberapa algoritma untuk ekstraksi fitur dan classifier diberikan dalam bentuk tabel.Mammogram yang menggunakan wavelet sebagai ekstraksi fitur menghasilkan akurasi sebesar 87.5%.Classifier yang digunakan adalah ANFIS. Adapula ekstraksi fitur yang menggunakan shape feature serta menggunakan BPNN sebagai classifier menghasilkan akurasi sebesar 88.9%.
Pada tahun 2008, Alolfe, M.A, et aldengan paper yang berjudul “Computer-Aided Diagnostic System Based on Wavelet Analysis for
Microcalcification Detection in Digital Mammogram” membandingkan
beberapa classifier yang sering digunakan seperti SVM, K-NN, BPNN, dan Fuzzy. Hasil yang diperoleh dengan menggunakan Neural Network
sebesar 75% untuk benign dan 75% untuk malignant.Hasil tersebut didapat dengan menggunakan wavelet dengan tingkat dekomposisi dua sampai tiga. Database yang digunakan pada penelitian itu adalah MIAS database.
Pada tahun 2010, Tirtajaya.A dan Diaz D.Santika dengan paper yang berjudul “Classification of Microcalcification Using Dual-Tree
Complex Wavelet Transform and Support Vector Machine” membahas
klasifikasi kanker menggunakan Dual Tree Complex Wavelet Transform sebagai ekstraksi fitur dan SVM sebagai classifier. Database yang digunakan adalah MIAS database. Proses yang dilakukan adalah melakukan ekstraksi fitur menggunakan DTCWT. Setelah proses tersebut selesai, beberapa koefisien diambil dan dimasukkan sebagai input ke dalam SVM. Hasil yang diperoleh menggunakan metodologi yang diusulkan berhasil memperoleh akurasi sebesar 88.64%.
Pada tahun 2012, Manimegalai.P, et al dengan paper yang berjudul “Microcalcification Detection in Mammogram Image Using Wavelet
Transform and Neural Network” membahas klasifikasi kanker
menggunakan Discrete Wavelet Transform sebagai ekstraksi fitur dan Neural Network sebagai classifier. Database yang diguanakan adalah MIAS database. Proses yang dilakukan adalah melakukan preprocessing menggunakan median filter serta histogram equalization. Kemudian hasil preprocessing diekstraksi fiturnya menggunakan DWT. Kemudian diambil beberapa jenis koefisien dari hasil ekstraksi fitur tersebut. Koefisien yang digunakan adalah mean, deviasi standar, variance, dan entropy. Setelah itu, hasil koefisien tersebut dimasukkan ke dalam neural network.Hasil yang
dicapai dengan metodologi yang diusulkan berhasil mencapai keakuratan sebesar 90%.
