KLASIFIKASI PENYAKIT KANKER USUS BESAR (COLORECTAL) MENGGUNAKAN ALGORITMA LEARNING VECTOR
QUANTIZATION BERBASIS PENGOLAHAN CITRA
SKRIPSI
CHAIDATUL HUSNA 131402042
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN
2018
KLASIFIKASI PENYAKIT KANKER USUS BESAR (COLORECTAL) MENGGUNAKAN ALGORITMA LEARNING VECTOR
QUANTIZATION BERBASIS PENGOLAHAN CITRA
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
CHAIDATUL HUSNA 131402042
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2018
i
PERSETUJUAN
Judul : KLASIFIKASI PENYAKIT KANKER USUS BESAR (COLORECTAL) MENGGUNAKAN ALGORITMA LEARNING VECTOR QUANTIZATION BERBASIS PENGOLAHAN CITRA
Kategori : SKRIPSI
Nama : CHAIDATUL HUSNA
Nomor Induk Mahasiswa : 131402042
Program Studi : S1 TEKNOLOGI INFORMASI
Departemen : TEKNOLOGI INFORMASI
Fakultas : FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI KomisiPembimbing :
Pembimbing 2 Pembimbing 1
Dedy Arisandi, ST., M.Kom Romi Fadillah Rahmat, B.Comp.Sc, M.Sc NIP. 197908312009121002 NIP. 19860303 2010121004
Diketahui/disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
Romi Fadillah Rahmat, B.Comp.Sc, M.Sc NIP. 19860303 201012 1 004
PERNYATAAN
KLASIFIKASI PENYAKIT KANKER USUS BESAR (COLORECTAL) MENGGUNAKAN ALGORITMA LEARNING VECTOR
QUANTIZATION BERBASIS PENGOLAHAN CITRA
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 26 Januari 2018
Chaidatul Husna 131402042
iii
UCAPAN TERIMA KASIH
Alhamdulillah, segala puji dan syukur penulis panjatkan atas kehadirat Allah SWT beserta Nabi besar Muhammad SAW yang telah memberikan rahmat, hidayah-Nya, segala daya dan upaya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Program Studi S-1 Teknologi Informasi Universitas Sumatera Utara, Ucapan terima kasih yang sebesar-besarnya penulis sampaikan kepada:
1. Bapak Prof. Runtung Sitepu, SH., M. Hum selaku Rektor Universitas Sumatera
Utara.
2. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc selaku Dekan Fasilkom-TI USU.
3. Bapak Romi Fadillah Rahmat, B.Com.Sc., M.Sc selaku Ketua Program Studi S1
Teknologi Informasi Universitas Sumatera Utara dan Dosen Pembimbing I yang
telah meluangkan waktu memberikan bimbingan dan saran kepada penulis.
4. Bapak Dedy Arisandi, ST., M.Kom selaku pembimbing kedua, yang telah banyak meluangkan waktu memberikan bimbingan dan saran kepada penulis.
5. Ibu Sarah Purnamawati, ST., MSc. selaku Dosen Pembanding I yang telah memberikan masukan dan saran dalam penyempurnaan skripsi ini.
6. Bapak Ainul Hizriadi, S.Kom, M.Sc selalu Dosen Pembanding II yang telah memberikan masukan dan saran dalam penyempurnaan skripsi ini.
7. Kedua orang tua penulis, orang yang paling berharga dalam hidup penulis, pada ayahanda (Almh) H. Chaidir yang akan selalu dihati dan ibunda Hj. Siti Aminah yang telah membesarkan, mendidik, memberikan dukungan doa dan motivasi tanpa henti dan sebagai penyemangat dalam hidup penulis.
8. Endang Sri, Heli Arifin, Bambang Fitriadi, Nining Chairani S.KM, Yuyun AM.KEB, Salman Alfarizi, Nurul Hidayah SE, Marlina AM.KEB selaku kakak dan abang ipar yang selalu memberikan doa dan juga semangat pada penulis.
9. Dina, Rasya, dipo, Jihan, Tiego, luthfi, rifki, putri selaku keponakan yang menjadi tempat bermain penulis.
10. Sofyan 32, yaitu Noni Maindayanti SE, Drg Audina Febrina, Drg Ulfa Anggreini selaku teman sekostan penulis dari semester satu sampai wisuda yang selalu memberikan semangat pada penulis.
11. Dini Fazrini selaku teman seperjuangan dari semester satu sampai wisuda yang selalu setia menemani kemanapun dan yang menjadi tempat berkeluh kesah Penulis.
12. Pondasi Bangsa, yaitu M. Arif Husein Guci, Amalia rahmi, Bambang irawan, Tri Ramadhani, Nurajijah Naibaho, Sari Ramadhana, Rahmi Fajrea, Zhazha medril sebagai sahabat kesayangan yang menjadi tempat berkeluh kesah dan selalu mendukung serta memberikan motivasi kepada penulis.
13. Veronica adelina S.kom, Inu wulandari, melur sebagai tempat berkeluh kesah dan pemberi motivasi kepada penulis.
14. Nur Umi, Rayi wy s.kom, Drg. Wahyuni mrp, Maura karmila, Devi Oct selaku teman pada masa dibangku sekolah yang selalu memberikan semangat pada penulis.
15. Teman-teman Teknologi Informasi 2013 yang telah bersama melewati asam dan manisnya kehidupan selama dibangku perkuliahan dan juga mewarnai hidup penulis.
16. Semua Pihak yang telah membantu penulis secara langsung dan tidak langsung, yang tidak dapat penulis sebutkan satu persatu yang telah membantu penyelesaian skripsi ini.
Semoga Allah SWT melimpahkan nikmat dan karunia kepada semua pihak yag telah memberikan bantuan, perhatian serta sukungan kepada penulis dalam menyelesaikan skripsi ini.
Medan, 26 Januari 2018
Penulis
v
ABSTRAK
Kanker usus besar (colorectal) merupakan suatu tumor ganas yang ditemukan di kolon atau rektum. Penyakit ini biasanya diderita oleh orang dewasa dan peningkatan harapan hidup bagi penderita kanker usus besar ini sangat kecil apabila sudah pada tahap stadium lanjut. Pengklasifikasian kanker usus besar sejak awal memungkinkan penyembuhan dan pencegahan yang mudah dan murah bagi penderita. Kanker yang terjadi pada usus besar seperti sarcinoma dan lymphoma memiliki karakterstik yang berbeda sehingga dapat menjadi tanda bahwa seseorang mengidap kanker usus besar.
Pemeriksaan yang dilakukan oleh dokter melalui pemeriksaan biopsi yaitu tindakan diagnostik yang dilakukan dengan mengambil sampel sel atau jaringan untuk dianalisis di laboratorium. Pemeriksaan masih dilakukan secara manual, yaitu sel yang diletakkan diatas preparat dilihat melalui mikroskop untuk menentukan apakah sel tersebut terdapat kanker dengan melihat abnormalitasnya dengan membandingkan sel yang diamati dengan sel yang sehat. Sehingga diperlukan suatu algoritma yang digunakan untuk dapat mengklasifikasi penyakit kanker usus besar (colorectal) melalui citra mikroskopik secara otomatis. Pada penelitian ini algoritma yang digunakan yaitu learning vector quantization dengan input berupa citra mikroskopik jaringan usus besar. Tahapan yang dilakukan dalam mengklasifikasi penyakit kanker usus besar berupa proses pengolahan citra (Grayscale, contrast stretching), ekstraksi fitur dengan menggunakan algoritma Gray Level Coocurance Matrix dan kemudian klasifikasi menggunakan algoritma learning vector quantization. Setelah dilakukan pengujian pada sistem, maka dapat disimpulkan algoritma yang digunakan pada penelitian ini memiliki kemampuan untuk mengklasifikasi penyakit kanker usus besar dengan akuarasi 90%.
.
Kata Kunci: Penyakit Kanker kolorektal, Gray Level Coocurance Matrix, Learning Vector Quantizaton
CLASSIFICATION OF COLON CANCER DISEASE (COLORECTAL) USING LEARNING VECTOR QUANTIZATION ALGORITHM BASED ON IMAGE
PROCESSING
ABSTRACT
Colon cancer (Colorectal) is a malignant tumor found in the colon or rectum. This disease is usually suffered by adults and make life expectancy of patients with colon cancer to be very small during an advanced stage. Classification of colon cancer from the onset of symptoms allows for easy and inexpensive healing and prevention for patients. Cancers that occur in the colon such as sarcinoma and lymphoma have different characteristics that can be a sign that a person has colon cancer. Examination conducted by the doctor through biopsy examination is a diagnostic action performed by taking samples of cells or tissues to be analyzed in the laboratory. Examination is still done manually, the cells are placed on a microscope preparation glass and then viewed through a microscope to find out if the cell is cancerous by looking at the abnormality by comparing the cells observed with healthy cells. So it needs an algorithm that is used to identify colorectal cancer through microscopic images automatically. In this study the algorithm used is learning vector quantization with input in the form of microscopic images of the colon tissue. Stages are done in identifying colon cancer such as image processing (Grayscale,Contrast Stretching), feature extraction using Gray Level Coocurance Matrix algorithm and then classification using learning vector quantization algorithm. After testing on the system, it can be concluded that the algorithm used in this study has the ability to identify the disease of colon cancer with 90%.
Keywords: Cancer Colorectal, Gray Level Coocurance Matrix, Learning Vector Quantizaton
vii
DAFTAR ISI
Hal.
PERSETUJUAN i
PERNYATAAN ii
UCAPAN TERIMA KASIH iii
ABSTRAK v
ABSTRACT vi
DAFTAR ISI vii
DAFTAR TABEL ix
DAFTAR GAMBAR x
BAB 1 PENDAHULUAN
1.1. Latar Belakang 1
1.2. Rumusan Masalah 3
1.3. Batasan Masalah 4
1.4. Tujuan Masalah 4
1.5. Manfaat Penelitian 4
1.6. Metodologi Penelitian 5
1.7. Sistematika Penulisan 6
BAB 2 LANDASAN TEORI
2.1. Kanker 7
2.1.1. Kanker Usus Besar (Colorectal) 8
2.1.1.1. Sarcinoma 9
2.1.1.2. Lymphoma 10
2.1.1.2. Usus Normal 11
2.1.2. Pengolahan Citra 11
2.1.3. Preprocessing 12
2.1.4. Feature Extraction 13
2.1.5. Gray level Coocurance Matrix 14
2.1.6. Learning Vector Quantization 15
2.1.7. Penelitian Terdahulu 18
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
3.1. Dataset 21
3.2. Analisis Sistem 22
3.3. Input 23
3.4. Proses 23
3.4.1. Preprocesing 23
3.5. Feature Extraction 25
3.6. Klasifikasi 26
3.6.1. Proses Training 28
3.6.2. Proses Testing 29
3.7. Output 30
3.8. Rancangan Tampilan Antarmuka 30
3.8.1. Rancangan Halaman Awal 30
3.8.2. Rancangan Tampilan Training 31
3.8.3. Rancangan Tampilan Testing 32
BAB 4 IMPLEMENTASI DAN PENGUJIAN
4.1. Implementasi Sistem 33
4.1.1. Spesifikasi Perangkat Keras dan Lunak 33
4.2. Implementasi Perancangan Antarmuka 34
4.2.1. Halaman Beranda 34
4.2.2. Halaman Data Training 34
4.2.3. Halaman Data Testing 36
4.3. Training Citra 37
4.4. Testing Citra 37
4.5. Analisis Precision dan Recall 53
BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan 55
5.2 Saran 56
DAFTARPUSTAKA 57
ix
DAFTAR TABEL
Hal.
Tabel 2.1 Penelitian Terdahulu 19
Tabel 4.1 Parameter Training CitraMikrokopik Jaringan Usus Besar 39 Tabel 4.2 Hasil Testing Citra mikroskopik jaringan usus besar 40
Tabel 4.3 Hasil Precision Tiap Kategori 55
DAFTAR GAMBAR
Hal.
Gambar 2.1 Sel Kanker Sarcinoma 10
Gambar 21 Sel Kanker Lymphoma 11
Gambar 22 Usus Normal 11
Gambar 23 Arah Kookurensi GLCM 14
Gambar 24 Arsitektur Jaringan LVQ 16
Gambar 3.1 (a) Normal, (b) Sarcinoma, (c) Lymphoma 21
Gambar 3.2 Arsitektur Umum 22
Gambar 3.3 Proses Citra Grayscale, (a) Citra Asli (b) Citra Grayscale 24 Gambar 3.4 Citra Mikroskopik Jaringan Usus Besar Contrast 24
Gambar 3.5 Persamaan Pengukur Nilai GLCM 26
Gambar 3.6 Arsitektur Learning Vector Quantization 27
Gambar 3.7 Pseudocode Penerapan Algoritma LVQ 28
Gambar 3.8 Rancangan Halaman Awal 30
Gambar 3.9 Tampilan Proses Training 31
Gambar 3.10 Tampilan Proses Testing 33
Gambar 4.1 Tampilan Beranda 35
Gambar 4.2 Tampilan Training Sebelum Input Citra 36 Gambar 4.3 Tampilan Training Setelah Input Citra 37
Gambar 4.4 Tampilan Testing Sebelum Input Citra 38
Gambar 4.5 Tampilan Testing Setelah Input Citra 39
BAB I PENDAHULUAN
1.1. Latar Belakang
Kanker merupakan suatu kondisi sel telah kehilangan pengendalian dan mekanisme normalnya, sehingga mengalami pertumbuhan yang tidak normal, cepat dan tidak terkendali (Diananda, 2000). Di Indonesia kanker menempati peringkat keenam penyebab kematian sesudah infeksi, kardiovaskuler, kecelakaan lalu lintas, defisiensi nutrisi, dan penyakit kongenital. Diperkirakan ada 170-190 kasus baru setiap 100.000 penduduk pertahun (Tjindarbudi, 2002). Sedangkan menurut (Aziz, 2006) kanker usus besar menempati peringkat ke sembilan di Indonesia setelah kanker Rahim, Payudara, Ovarium, Kulit, Tiroid, Rektum, dan Kelenjar getah bening.
Ada beberapa jenis kanker salah satunya kanker usus besar (colorectal). Kanker colorectal (colo-rectal carcinoma) atau disebut juga kanker usus besar merupakan suatu tumor ganas yang ditemukan di colon atau rectum. Colon atau rectum adalah bagian dari usus besar pada sistem pencernaan yang disebut juga traktus gastrointestinal yang berfungsi sebagai penghasil energi bagi tubuh dan membuang zat-zat yang tidak berguna (Gontar, 2007). Menurut American Cancer Society, kanker colorectal adalah kanker ketiga terbanyak dan merupakan kankerjfDQ penyebab kematian kedua terbanyak pada pria dan wanita di Amerika Serikat. Telah diprediksi bahwa pada tahun 2016 ada 95.270 kasus baru kanker colon dan 39.220 kasus baru kanker rectum.
Kanker yang terjadi pada usus besar seperti Lymphoma dan Carcinoma memiliki karakteristik yang berbeda sehingga dapat menjadi tanda bahwa seseorang mengidap kanker usus besar. Pengklasifikasian kanker usus besar sejak awal memungkinkan penyembuhan dan pencegahan kanker yang mudah dan murah bagi penderita. Apabila
penyakit kaker usus besar ditemukan pada stadium dini maka biaya pengobatan penyakit kanker menjadi lebih murah dan lebih baik. Di Indonesia sekitar 80% penderita penyakit kanker usus besar ditemukan pada stadium lanjut sehingga pengobatan tidak memuaskan bahkan cendrung mempercepat mortalitas. Hal ini dikarenakan banyak problem yang membuat penderita kanker usus besar untuk tidak melakukan pemeriksaan lebih awal dan kurangnya informasi tentang penatalaksanaan kanker usus besar (Munawaroh, 2012).
Pengklasifikasian penyakit kanker usus besar ini dapat dilakukan oleh dokter melalui pemeriksaan biopsi. Biopsi merupakan tindakan diagnostik yang dilakukan dengan mengambil sampel sel atau jaringan untuk dianalisis di laboratorium, tindakan ini juga dikenal sebagai pengambilan sampel jaringan. Pemeriksaan yang dilakukan masih dengan cara manual, yaitu sel yang diletakkan diatas preparat dilihat melalui mikroskop untuk menentukan apakah sel tersebut terdapat kanker dengan melihat abnormalitasnya dengan membandingkan sel yang diamati dengan sel yang sehat (Mashita et al, 2017).
Perbedaan pengklasifikasian oleh dokter dikarenakan pengetahuan, ketelitian dan konsentrasi dokter sangat menentukan keakuratannya. Selain itu, pemeriksaan secara manual juga membutuhkan waktu dan tenaga. Sisi manual pada pengklasifikasian kanker usus besar ini dapat diatasi dengan suatu sistem komputer yang dapat membantu dokter maupun pihak laboratorium sehingga ketelitian, waktu dan tenaga dapat ditingkatkan.
Pola data pada citra sel jaringan yang diambil melalui pemeriksaan mikroskopik dapat dimanfaatkan untuk pengenalan penyakit dengan proses pengolahan citra digital.
Ada beberapa penelitian yang telah melakukan pengklasifikasian mengenai resiko kanker colorectal yaitu (Nwoye et al, 2005). Peneliti mengklasifikasikan kanker usur besar kedalam jenis adenokarsinoma normal dan ganas menggunakan metode backpropogation untuk mengklasifikasikan gambar, yang dimana gambar diubah menjadi matriks grayscale sebelum diolah menggunakan backpropogation.
(Mashita et al, 2017), melakukan penelitian tentang deteksi kanker colorectal (kanker usus besar) menggunakan metode gray level cooccurence matrix sebagai ekstraksi ciri dan k-nearest neighbor sebagai pengklasifikasian. Hasil dari klasifikasi kanker usus besar berupa penggolongan jenis kanker yaitu carcinoma dan lymphoma.
Akurasi yang didapat yaitu sebesar 75%. Ada juga yang melakukan penelitian yang sama
3
yaitu (Romain et al, 2013), tentang deteksi polip pada usus besar untuk pencegahan kanker colorectal. Pendeteksian dilihat dari ekstraksi teksturnya untuk membedakan antara polip yang tidak berbahaya atau polip yang dapat berubah menjadi kanker. Peneliti menggunakan neuro fuzzy sebagai pengklasifikasian.
Pada penelitian kali ini, peneliti akan menggunakan metode learning vector quantitazion (LVQ) untuk mengklasifikasi penyakit kanker usus besar (colorectal) melalui citra mikroskopik. learning vector quantization (LVQ) merupakan sebuah metode klasifikasi berdasarkan model kohonen yang dikenal sebagai Self-Organizing Map Network (SOM). Namun LVQ berbeda dengan SOM yang bersifat pembelajaran tidak diawasi, LVQ merupakan algoritma pembelajaran terawasi versi model kohonen dengan arsitektur algoritma yang sederhana sehingga hanya terdiri dari satu lapisan input dan lapisan output (Azara et al, 2012).
Penelitian yang menggunakan LVQ ini sudah pernah dilakukan sebelumnya yaitu (Huang et al, 2009), melakukan penelitian tentang klasifikasi sel HEp-2. HEp-2 ini adalah jenis kanker hati pada manusia. Peneliti menggunakan algoritma learning vector quntization untuk klasifikasinya dan akurasi yang didapatkan adalah sebesar 80,3%.
Penelitian selanjutnya yaitu (Azara et al, 2012), melakukan penelitian tentang klasifikasi teks arab yang berbentuk dokumen dengan menggunakan metode Learning vector quantization. pada penelitian ini menggunakan berbagai versi LVQ untuk menentukan LVQ mana yang memiliki akurasi tinggi dan hasil akurasinya sebesar 94%.
Berdasarkan latar belakang diatas, maka peneliti mengajukan penelitian dengan judul “Klasifikasi Penyakit Kanker Usus Besar (Colorectal) Menggunakan Algoritma Learning Vector Quantization Berdasarkan Pengolahan Citra”. Dengan menggunakan metode ini diharapkan dapat mencapai tingkat akurasi yang tinggi dan bermanfaat dalam bidang kesehatan.
1.2. Rumusan Masalah
Kanker usus besar (colorectal) memiliki beberapa jenis dan memiliki karakteristik yang berbeda-beda. Pada umumnya untuk mengklasifikasikan jenis kanker usus besar
Oleh karena itu, diperlukan suatu metode untuk membantu dokter patalogi dalam mendiagnosa penyakit kanker usus besar (colorectal) secara otomatis sehingga diperoleh hasil pemeriksaan yang lebih baik daripada pendiagnosaan secara manual.
1.3. Batasan Masalah
Pada penelitian ini, peneliti membuat batasan masalah untuk mencegah meluasnya ruang lingkup permasalahan dalam penelitian ini. Adapun batasan masalah tersebut, diantaranya yaitu:
1. Citra yang digunakan adalah citra sampel jaringan dari mikroskopik yang didapat dari tugas akhir sebelumnya yang diambil dari RSUP. Hasan Sadikin 2. Ekstensi dari citra mikroskopik jaringan usus besar yang digunakan adalah
JPEG
3. Klasifikasi dibagi menjadi tiga kelas yaitu, normal, kanker carcinoma, dan kanker lymphoma
4. 150 data latih dan 30 data uji
1.4. Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mengklasifikasikan penyakit kanker usus besar (Colorectal) menggunakan algoritma learning vector quantization dan untuk membandingkan hasil akurasi dari penelitian sebelumnya.
1.5. Manfaat Penelitian
Adapun manfaat penelitian ini antara lain yaitu :
1. Membantu mengklasifikasikan penyakit kanker usus besar (colorectal) 2. Memberikan masukan untuk penelitian lain dalam bidang image processing 3. Membantu dokter untuk menganalis secara otomatis penyakit kanker usus
besar (colorectal)
5
1.6 Metodologi Penelitian
Tahapan-tahapan yang akan dilakukan dalam penelitian ini adalah sebagai berikut : 1. Studi Literatur
Tahap studi literatur ini dilakukan pengumpulan dan mempelajari informasi yang diperoleh dari buku, skripsi, jurnal dan berbagai sumer informasi lainnya.
Informasi yang berkaitan dengan penelitian tersebut seperti penyakit kanker usus besar (colorectal), pemeriksaan biopsi, preprocessing, ekstraksi fitur tekstur menggunakan Gray Level Coocurance Matrix dan pengklasifikasian menggunakan learning vector quantization
2. Analisis Permasalahan
Pada tahap ini, dilakukan analisis terhadap berbagai informasi yang didapat dari beberapa sumber yang diperlukan pada penelitian sehingga diperoleh metode yang tepat dalam menyelesaikan masalah penelitian ini.
3. Perancangan Sistem
Pada tahap ini, dilakukan perancangan atas hasil analisis permasalahan yang dilakukan pada tahap sebelumnya. Perancangan yang dilakukan seperti perancangan arsitektur dan antarmuka sistem.
4. Implementasi
Pada tahap ini, dilakukan implementasi dari analisis yang telah dilakukan dalam bentuk pembangunan program sesuai dengan perancangan dan alur yang telah ditentukan.
5. Pengujian Sistem
Pada tahap ini, dilakukan pengujian terhadap sistem yang telah dibuat guna untuk menguji seberapa mampu metode learning vector quantization dalam hal mengklasifikasi penyakit kanker usus bersar (colorectal) serta memastikan hasil dari klasifikasi tersebut sesuai dengan yang diharapkan.
6. Penyususnan Laporan
Pada tahap akhir dilakukan penulisan laporan dari keseluruhan penelitian yang telah dilakukan.
1.7. Sistematika Penulisan
Sistematika penulisan dari skripsi ini terdiri atas lima bagian utama sebagai berikut:
Bab 1: Pendahuluan
Bab ini berisi latar belakang masalah, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, serta sistematika penulisan.
Bab 2: Landasan Teori
Bab ini berisi teori-teori yang diperlukan untuk menganalisa permasalahan-permasalahan yang ada pada penelitain ini. Teori-teori yang berhubungan dengan kanker usus besar, algoritma gray level coocurance, algoritma learning vector quantization akan dibahas pada bab ini.
Bab 3: Analisis dan Perancangan
Bab ini akan menjabarkan keseluruhan pemrosesan klasifikasi penyakit kanker usus besar yang dilakukan pada penelitian ini yang meliputi langkah preprocessing yaitu resizing, grayscale, contrast stretching, feature extraction dan pengklasifikasinya dengan algoritma learning vector quantization. Bab ini juga menjelaskan mengenai perancangan sistem yang digunakan.
Bab 4: Implementasi dan Pengujian
Bab ini menjelaskan tentang hasil pengujian yang didapatkan pada proses yang sudah dirancang dan dianalisa pada bab sebelumnya.
Bab 5: Kesimpulan dan Saran
Bab ini berisi kesimpulan dari keseluruhan proses yang dianalisa pada bab 3 dan hasil pengujian yang sudah dijabarkan pada bab 4. Bab ini juga berisi saran penulis berdasarkan kesimpulan yang didapatkan untuk penelitian yang berikutnya.
BAB II
LANDASAN TEORI
2.1. Kanker
Menurut WHO, kanker adalah istilah umum untuk satu kelompok besar penyakit yang dapat mempengaruhi setiap bagian dari tubuh. Istilah lain yang digunakan adalah tumor ganas dan neoplasma. Salah satu fitur mendefinisikan kanker adalah pertumbuhan sel-sel baru secara abnormal yang tumbuh melampaui batas normal, dan yang kemudian dapat menyerang bagian sebelah tubuh dan menyebar ke organ lain. Proses ini disebut metastasis. Metastasis merupakan penyebab utama kematian akibat kanker (WHO, 2009).
Menurut National Cancer Institute (2009), Kanker adalah salah satu istilah untuk penyakit dimana sel-sel membelah secara abnormal tanpa control dan dapat menyerang jaringan disekitarnya.
2.1.1. Kanker Usus Besar (Colorectal)
Kanker colorectal atau disebut juga kanker usus besar adalah kanker yang terjadi ketika sel-sel abnormal tumbuh pada lapisan kolon atau rekum.
Umumnya, kanker colorectal jarang ditemukan sebelum usisa 40 tahun dan resiko terjadi kanker colorectal akan meningkat pada usia 50 tahun. kanker colorectal biasanya berkembang secara perlahan-lahan selama 10 sampai 15 tahun. gejala adanya tumor pada kolon biasanya ditandai dengan adanya polip yang memiliki resiko kanker. Sekitar 96% penyebab kanker colorectal adalah adenocarcinomas yang berkembang dari jaringan kelenjar (Alteri, et al. 2011).
Kanker colorectal sering kali tidak menunjukkan gejala awal yang khas sehingga membuat banyak penderita kanker colorectal datang ke rumah sakit dalam keadaan stadium lanjut dan upaya pengobatan menjadi sulit. Padahal, seperti dikatakan Ketua Perhimpunan Spesialis Penyakit Dalam Indonesia, dr. Aru Sudoyo, SpPD, KHOM., kunci utama keberhasilan penanganan kanker usus besar adalah ditemukannya kanker dalam stadium dini, sehingga terapi dapat dilaksanakan secara bedah kuratif. Oleh sebab itu, deteksi dini dan diagnosis memegang peranan penting guna menurunkan angka kematian akibat kanker colorectal.
Kategori Utama Kanker yaitu: (Masitha, 2017)
a. Sarcoma, kanker yang dimulai di tulang, tulang rawan, lemak, otot, pembuluh darah, atau lainnya atau mendukung jaringan penghubung b. Carcinoma, kanker yang dimulai dikulit atau pada jaringan yang
mencakup garis atau organ internal
c. Leukimia, kanker yang dimulai dijaringan pembentuk darah seperti sumsum tulang dan penyebab sejumlah besar sel darah abnormal diproduksi masukkan darah
d. Lymphoma dan Myeloma, kanker dimulai dari sistem-sistem kekebalan tubuh
e. Central Nervous system cancers, kanker dimulai dari jaringan otak dan sumsum tulang belakang
Kanker yang terjadi pada usus besar yaitu:
1. Carcinoma, 2. Lymphoma, 3. Sarcoma 2.1.1.1. Carcinoma
Carcinoma adalah kanker yang dimulai di jaringan yang melapisi permukaan dalam atau luar tubuh, umumnya muncul dari sel-sel yang berasal dari lapisan kuman endodermal atau ectodermal selama embriogenesis. Lebih khususnya, carcinoma adalah jaringan tumor berasal dari sel epitel yang berubah atau
9
rusak sehingga sel-sel tersebut menjadi berubah dan mulai menunjukkan sifat ganas abnormal. Kanker ini umumnya menyerang manusia yang sudah lanjut usia dan sangat jarang terjadi pada anak-anak.
Klasifikasi Kankner carcinoma menjadi 6 sub kelompok besar, yaitu:
1. Adrenocortical Carsinoma, mempengaruhi kelenjar adrenal 2. Thyroid Carsinoma, mempengaruhi hidung dan faring 3. Nasopharyngeal Carsinoma, menyerang hidung dan faring 4. Malignant melanoma, menggambarkan kanker kulit 5. Skin Carcinoma, menyerang kulit
6. Carcinoma lainnya menyerang kelenjar ludah, usus besar, usus buntu, paru-paru dan bronkus, leher rahim, dan kandung kemih
Carcinoma dapat didiagnosis melalui biopsi definitive, termasuk aspirasi jarum halus (FNA), inti biopsi, atau penghapusan subtotal dari node tunggal. Pemeriksaan mikroskopis oleh seorang ahli patologi kemudian diperlukan untuk mengklasifikasi karakteristik molekuler, seluler atau jaringan arsitektur epitel.
Pihak RSUP. Hasan Sadikin dalam mendiagnosis penyakit ini melakukan beberapa hal sebagai berikut:
1. Melihat gejala klinisnya, yaitu: tidak bisa buang air besar, perut keras, nyeri pada perut dan sakit perut. Bahkan penderita sampai muntah- muntah.
2. Pemeriksaan CT Scan atau Rontgen. Pemeriksaan ini dilakukan untuk melihat bentuk usus besar dan untuk mengetahui posisi dari kanker tersebut.
3. Operasi Pada tahapan ini, dilakukan untuk mengambil massa dari kanker tersebut untuk diteliti di laboratorium.
4. Melihat sel melalui mikroskop Dokter spesialis patologi bertugas dalam melihat sel kanker ini lalu memberikan kesimpulan pada pasien atau dokter lain yang merujuk mengenai sel yang didapat.
Struktur sel kanker carcinoma memiliki ukuran nucleus yang besar, bulat monoton dan memiliki sitoplasma yang melimpah. Secara mikroskopik tampak gambaran suatu adenocarcinoma dengan berbagai susunan kelenjar dan jenis sel, ada yang mengandung musin berlebihan dalam sitoplasma hingga disebut “signet-ring cell”, atau membentuk musin sedemikian banyak hingga disebut “mucoid carcinoma”.
Gambar 2.1. Sel kanker carcinoma (Mashitha, 2017)
2.1.1.2. Lymphoma
Lymphoma adalah kanker pada sel-sel limfatik dari sistem kekebalan tubuh.
Biasanya, lymphoma hadir sebagai soloid tumor sel limfoid. Pengobatan mungkin melibatkan kemoterapi dan dalam beberapa kasus radioterapi dan/atau transplantasi sumsum tulang belakang, dan dapat disembuhkan tergantung pada histologi, jenis dan tahap penyakit.
11
Gambar 2.2. Sel kanker lymphoma (Mashitha, 2017)
2.1.1.3. Usus Normal
Berikut adalah contoh gambar usus normal :
Gambar 2.3. Usus normal (Mashitha, 2017)
2.1.2. Pengolahan Citra
Istilah citra pada pengolahan citra dapat diartikan sebagai suatu fungsi kontinu dari intesitas cahaya dalam dua dimensi. Pengolahan citra pada komputer memerlukan citra digital sebagai input. Citra digital adalah citra kontinu yang diubah dalam bentuk disktrit. Citra digital terdiri dari titik-titik kecil berbentuk segiempat, yang disebut sebagai picture element, atau piksel. Banyaknya piksel per satuan panjang akan menentukan resolusi citra tersebut. Semakin banyak piksel, maka semakin tinggi resolusinya dan makin halus gambarnya, sehingga
Pengolahan citra biasa dikenal dengan image processing adalah proses mengolah piksel- piksel dalam citra digital untuk suatu tujuan. Salah satunya adalah untuk memperoleh citra digital baru dengan karakteristik tertentu dan cocok secara visual yang dibutuhkan untuk tahap yang lebih lanjut dalam pemrosesan analisis citra (Setianingrum, 2014).
2.1.3. Preprocessing
Proses ini digunakan untuk memproses citra sebelum dilakukan ekstraksi fitur dalam mendeskripsikan konten citra. Proses ini terdiri atas penyaringan, normalisasi, segmentasi, dan identifikasi objek. Hasil akhir dari proses preprocessing ini adalah sebuah area atau pun objek yang akan diekstraksi.
Pada penelitian ini akan dilakukan beberapa proses pada preprocessing yang akan digunakan untuk mendapatkan nilai fitur pada proses ekstraksi fitur antara lain:
Akuisisi Citra
Proses ini adalah tahap awal untuk mendapatkan citra digital. Tujuan akuisisi citra adalah untuk menentukan data yang diperlukan dan memilih metode perekaman citra digital. Tahap ini dimulai dari objek yang akan diambil gambarnya, persiapan alat-alat, sampai pada pencitraan.
Resizing
Pada proses ini, citra akan diperkecil ukuran pikselnya guna menambah fokus pada objek yang akan diklasifikasi, membuang citra yang tidak memiliki informasi penting, memperbesar area tertentu pada suatu citra serta mengubah orientasi citra.
Grayscale
Proses Grayscale adalah proses merubah nilai - nilai piksel dari warna RGB menjadi graylevel. Proses ini dapat digunakan untuk memisahkan bayangan dengan warna asli pada citra. Pada citra terdiri dari 24 bit yang setiap pikselnya mengandung warna dasar (Red, Green, Blue). Setiap warna dasar ini
13
memiliki 8-bit warna yang berada pada rentang warna 0 (00000000) sampai 255 (11111111).
Contrast Stretching
Contrast stretching adalah tahapan untuk mengatur kontras citra sehingga didapatkan kontras pada citra yang lebih baik dan lebih jelas.
2.1.4. Feature Extraction
Ekstraksi fitur merupakan proses pengambilan ciri dari satu pola/bentuk sehingga di dapatkan suatu nilai pada pola citra untuk dilakukan analisis pada proses selanjutnya. Tugas ekstraksi fitur yaitu mengubah konten gambar menjadi berbagai konten fitur. Fitur-fitur yang memungkinkan membantu dalam proses pendiskriminasian citra akan digunakan pada proses selanjutnya. Sedangkan fitur yang tidak terpilih tidak akan digunakan.
Ekstraksi fitur memiliki langkah paling penting karena fitur yang dihasilkan dapat membantu mendiskriminasikan secara langsung dalam proses klasifikasi. Hasil akhir dari proses ekstraksi fitur adalah kumpulan fitur dan sering disebut sebagai vektor fitur. Fitur yang dihasilkan merupakan hasil dari representasi gambar.
Fitur didefinisikan sebagai fungsi dari beberapa pengukuran dimana setiap pengukuran menentukan nilai dari sebuah objek dan dihitung sedemikian rupa sehingga pengukururan karakteristik objek lebih signifikan.
2.1.5. Gray-Level Co-Occurrence Matrix
Gray-Level Co-Occurrence Matrix merupakan metode ciri yang menggunakan perhitungan tekstur pada orde kedua yaitu memperhitungkan pasangan dua piksel citra asli, sedangkan pada orde pertama menggunakan perhitungan statistik berdasarkan nilai piksel citra asli dan tidak memperhatikan piksel ketetanggaan.
Sedangkan kookurensi dapat diartikan sebagai kejadian bersama, berarti banyaknya kejadian pada satu level piksel yang bertetanggaan dengan nilai piksel
direpresentasikan sebagai piksel sedangkan orientasi direpresentasikan dalam derajat. Orientasi terbentuk dari empat arah sudut dengan interval 450, yaitu 00, 450, 900 dan 1350, dan jarak antara piksel ditentukan sebesar 1 piksel. Keempat arah tersebut seperti pada gambar berikut ini.
Gambar 2.4. Arah Kookurensi GLCM (Surya, 2017)
Beberapa persamaan dari tektur fitur yang digunakan yaitu:
a. Contrast
Kontras adalah perhitungan perbedaan intensitas antara piksel satu dan piksel yang berdekatan diseluruh gambar inputan pada image, yaitu:
𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = ∑ ∑(𝑖 − 𝑗)2𝑃𝑖,𝑗
𝑗 𝑖
b. Entropy
Entropy merupakan ukuran ketergantungan linier antar nilai aras keabuan dalam citra dihitung dengan menggunakan rumus
𝐸𝑛𝑡𝑟𝑜𝑝𝑦 = ∑ ∑ 𝑃𝑖,𝑗
𝑗
log 𝑃𝑖,𝑗
𝑖
c. Homogenity
Homogenitas menunjukan nilai distribusi terdekat antara elemen di GLCM dengan GLCM diagonal. Hmogenitas bernilai satu untuk diagonal GLCM
𝐻𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑖𝑡𝑦 = ∑ ∑ 𝑖
1 + ( 𝑖 − 𝑗)2 𝑃𝑖,𝑗
𝑗 𝑖
15
d. Enegry
Energi atau yang biasa disebut dengan Angular Second Moment (ASM) merupakan ukuran homogenitas citra dihitung dengan cara berikut:
𝐸𝑛𝑒𝑟𝑔𝑦 = ∑ ∑ 𝑝𝑖,𝑗2
𝑗 𝑖
e. Dissimilarity
Mengukur ketidakmiripan suatu tekstur yang bernilai besar bila acak dan sebaliknya akan bernilai kecil bila seragam.
𝐷𝑖𝑠𝑠𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦 = ∑ 𝑃𝑖,𝑗 | 𝑖 − 𝑗|
𝑁−1
𝑖,𝐽 = 0
2.1.6. Learning Quantization Vector
Learning quantization vector adalah suatu metode untuk melakukan pembelajaran lapisan kompetitif yang terawasi. LVQ merupakan single-layer net pada lapisan masukan yang terkoneksi secara langsung dengan setiap neuron pada lapisan keluaran. Koneksi antar neuron tersebut dihubungkan dengan bobot/ weight.
Neuron-neuron keluaran pada LVQ menyatakan suatu kelas atau kategori tertentu (Kusumadewi, 2003).
Proses pembelajaran pada LVQ dilakukan melalui beberapa epoch (jangkauan waktu) sampai batas epoch maksimal terlewati. LVQ melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas- kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input. Jika 2 vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut ke dalam kelas yang sama.
Arsitektur LVQ terdiri dari lapisan input (input layer), lapisan kompetitif dan lapisan output (output layer). Sebuah bobot akan menghubungkan lapisan input dengan lapisan kompetitif. Pada lapisan kompetitif, proses pembelajaran
dihubungkan dengan lapisan output oleh fungsi aktivasi. Arsitektur jaringan LVQ dapat dilihat pada Gambar 2.2 (Pulungan, 2016)
D1
D2
D3
Gambar 2.2 Arsitektur Jaringan LVQ (Pulungan, 2016) Keterangan :
X1, X2, …, Xn : Nilai input
|| X-W1||, || X-Wn|| : Jarak bobot H1, H2, H3 : Lapisan output D1, D2, D3 : Nilai output
N : Jumlah data
W1, Wn : Nilai Data Inisialisasi
Pada gambar 2.2 dapat dijelaskan bahwa nilai X1 sampai Xn merupakan nilai yang akan digunakan sebagai nilai input. Dengan nilai W1 sampai Wn sebagai nilai bobot. Nilai yang di input akan dilakukan perhitungan dengan nilai bobot untuk mendapatkan jarak bobot terkecil. H1,H2, dan H3 akan bertindak sebagai lapisan output dimana lapisan ini akan mewakili satu kelas. Maka pada gambar 2.2 dapat dilihat bahwa arsitektur memiliki 3 kelas. D1, D2 dan D3 akan bertindak sebagai nilai output pada lapisan output yang akan digunakan sebagai bobot pada proses pengujian.
W1
||X-W1 ||
X1 H1
||X-W2 || H2 X2
||X-W3 ||
X3
H3
Wn Xn
17
Adapun kelebihan dari LVQ adalah :
1. Nilai error yang dihasilkan lebih kecil dibandingkan dengan jaringan syaraf tiruan backpropagation
2. Data set yang besar dapat diringkas menjadi vektor kecil pada tahap klasifikasi 3. Tidak ada pembatasan pada dimensi codebook
Sedangkan kekurangan dari LVQ antara lain :
1. Diperlukan perhitungan yang akurat terhadap jarak untuk seluruh atribut 2. Akurasi model LVQ bergantung pada inisialisasi dan parameter yang
digunakan dalam perrhitungan
3. Distribusi kelas pada data training mempengaruhi nilai akurasi 4. Sulitnya jumlah vektor yang ditentukan pada masalah yang diberikan
Parameter-parameter yang diperlukan dalam algoritma LVQ antara lain :
1. Learning rate (α) merupakan nilai tingkat pelatihan. Jika α terlalu besar maka algoritma menjadi tidak stabil dan terlalu kecil maka waktu proses yang diperlukan semakin lama. Nilai α berada pada rentang 0 < α < 1.
2. Penurunan Learning rate (Dec α) yaitu penurunan tingkat pelatihan.
Penurunan Learning rate dilakukan setelah selesai dilakukan iterasi pada setiap data dan akan dilakukan pada iterasi yang selanjutnya.
3. Minimimum Learning rate (Min α) yaitu tingkat pelatihan yang masih diperbolehkan
4. Maksimum Epoch (MaxEpoch) yaitu jumlah iterasi maksimum yang boleh dilakukan selama proses pelatihan. Selama iterasi yang telah dilakukan telah mencapai iterasi maksimum, maka iterasi akan dihentikan.
2.1.7. Penelitian Terdahulu
Penelitian tentang klasifikasi kanker usus besar (colorectal) sudah dilakukan oleh peneliti terdahulu dengan menggunakan berbagai algoritma, yaitu (Mashita, et al.
2017), Melakukan penelitian tentang deteksi kanker colorectal (kanker usus besar)
menggunakan metode Gray Level Coocurance Matrix sebagai ekstraksi ciri dan k- nearest neighbor sebagai pengklasifikasian. Akurasi yang didapat yaitu sebesar 75%. Setelah itu ada juga (Nwoye, et al. 2006), melakukan Penelitian tentang mengklasifikasikan kanker usur besar kedalam jenis adenokarsinoma normal dan ganas menggunakan metode backpropogation untuk mengklasifikasikan gambar, yang dimana gambar diubah menjadi matriks grayscale sebelum diolah menggunakan backpropogation. Akurasi yang didapatkan yaitu sebesar 96,5%
(Lakshmi, et al. 2014), juga mendeteksi kanker colorectal menggunakan pengolahan citra. Klasifikasi colorectal dapat dilihat dari jenis ukuran polip.
Metode yang digunakan untuk pengklasifikasian yaitu support vector machine (svm). Akurasi yang didapatkan yaitu sebesar 85,17%.
(Dua. et al, 2004), melakukan penelitian tentang deteksi karsinoma sel basal menggunakan electrical impedance untuk membedakan karsinoma sel basal kulit.
pada penelitian ini menggunakan metode jaringan syaraf tiruan dan akurasi yang didapatkan yaitu sebesar 85%.
(Huang, et al. 2009), melakukan penelitian tentang klasifikasi sel HEp-2. HEp-2 ini adalah jenis kanker hati pada manusia. peneliti menggunakan algoritma learning vector quntization untuk klasifikasinya dan akurasi yang didapatkan adalah sebesar 80,3%.
(Romain, et al. 2013), melakukan penelitian tentang pencegahan kanker colorectal dengan mendeteksi polip pada usus besar. peneliti menggunakan metode support vector machine sebagai klasifikasi. dengan metode SVM menghasilkan tingkat akurasi sebesar 95%.
19
Tabel 2.1. Penelitian Terdahulu
No Peneliti (Tahun)
Judul Penelitian Algoritma Akurasi
1 Masitha, F., Atmaja, R, D. & Sunarya, U.
(2017)
Deteksi Kanker Kolorektal (Kanker Usus Besar) Menggunakan Metode Gray
Level Cooccurence Matrix Dan K-Nearest Neighbor Berbasis Pengolahan Citra
gray level cooccurence matrix
k-nearest neighbor
75%
2 G. Shantha Lakshmi, MPhil
(2014)
Colorectal Cancer Detection Using Images Processing
Based on IGVF Model
Support Vector Machine
85,17%.
3 Nwoye, E., Khor, L, C., Dlay, S, S &
Woo, W, L.
(2006)
Spectral and Statistical Features in Fuzzy Neural Network Expert Machine for
Colorectal Adenomas and Adenocarcinoma
Classification
Fuzzy Neural Network
96,5%
4. Dua, R., Beetner, D, G., Stoecker, W, V.
Wunsch, D, C.
(2004)
Detection of Basal Cell Carcinoma Using Electrical
Impedance and Neural
JST 85%
5. Huang, Y, C., Chung, C, W., &
Huang, Y, L.
2009
HEp-2 Cell Classification in Indirect Immunofluorescence
Images
LVQ
Watershed
80,3%
6. Romain, O., Histace, A., Silva, J. &
Ayoub, J.
(2013)
Towards a Multimodal Wireless Video Capsule for Detection of Colonic Polyps
as Prevention of Colorectal Cancer
SVM 95%
BAB III
ANALISIS DAN PERANCANGAN SISTEM
Pada bab ini akan membahas tentang analisis dan perancangan sistem klasifikasi penyakit kanker usus besar (colorectal). Tahap pertama yaitu analisis data yang digunakan, analisis pada tahapan pengolahan citra yang diterapkan. Feature extraction, beserta implementasi metode learning vector quantization dalam mengklasifikasi penyakit ini. Pada tahapan selanjutnya yaitu dilakukan perancangan tampilan antarmuka sistem yang akan dibangun.
3.1 Dataset
Data yang digunakan dalam penelitian ini berupa citra jaringan usus besar yang telah diteliti dengan menggunakan mikroskopik . Citra yang digunakan didapat dari tugas akhir sebelumnya oleh Firda Masitha yang diambbil dari RSUP. Hasan Sadikin. Jumlah data citra yang digunakan sebanyak 180 citra jaringan usus besar, dan akan dibagi menjadi 150 data training dan 30 data testing. Gambar 3.1 menunjukan citra normal, kanker carcinoma dan kanker lymphoma.
(a) (b) (c)
Gambar 3.1 : (a) Normal (b) Kanker Sarcinoma (c) Kanker Lymphoma
3.2 Analisis Sistem
Sistem klasifikasi penyakit kanker usus besar (colorectal) menggunakan metode Learning Vector Quantization (LVQ) merupakan sistem yang dapat mengklasifikasikan jenis penyakit kanker usus besar (colorectal) berdasarkan usus besar normal, kanker carcinoma dan kanker lymphoma. Proses perancangan sistem pada arsitektur umum terdapat pada gambar 3.2
Gambar 3.2. Arsitektur Umum InpuCitra Mikroskopik Jaringan Usus
Citra Latih (Training Data)
Citra Uji (Testing Data)
Classification Output
(Normal, Carcinoma,
Lymphoma) Learning Vector Quantization
Preprocessing
Pembentukan Citra Keabuan (Grayscale)
Perbaikan Citra (Contrast Stretching)
Feature Extraction
Gray Level Coocurance Matrix Pengukuran Citra
(Resizing) (Grayscale)
23
3.3 Input
Sebelum melakukan proses klasifikasi, perlu dilakukan proses input citra mikroskopik jaringan usus besar yang akan diklasifikasi untuk menentukan jenis usus besar. citra yang akan di klasifikasi terdiri dari usus besar normal, kanker sarcinoma, kanker lymphoma.
Citra usus besar diperoleh dari penelitian sebelumnya. Pada penelitian sebelumnya pengambilan citra menggunakan kamera digital yang telah terpasang pada mikroskop digital. Citra yang dihasilkan yaitu citra berwarna yang akan disimpan dalam bentuk
*.jpeg dan berukuran 768x576 piksel. Pada sistem ini, terbagi menjadi dua kelompok, yaitu proses training dan testing. Proses training merupakan proses pembentukan database yang menyimpan nilai ciri dari tiap citra yang dijadikan sebagai referensi bagi citra uji nantinya.
3.4 Proses
Pada tahap ini merupakan proses untuk pengolahan citra mikroskopik jaringan usus besar.
Proses yang dilakukan terdiri dari preprocessing, feature extraction, dan classification.
3.4.1 Preprocessing
A. Resizing
Pada tahap awal proes preprocessing yaitu dilakukan resize untuk mengubah ukuran citra dengan memperkecil ukuran citra pada arah horizontal atau vertikal menjadi ukuran 300x300. Hal ini bertujuan untuk menyeragamkan ukuran dari masing-masing citra
B. Grayscale
Pada tahap ini citra RGB diubah menjadi citra keabuan untuk mendapatkan nilai keabuan dari setiap pixel yang ada pada citra. Proses ini harus dilakukan sebelum masuk kedalam proses selanjutnya. Untuk mengubah citra berwarna yang memiliki nilai masing-masing r, g dan b menjadi grayscale dengan nilai s. konversi dapat dilakukan dengan mengambil nilai rata-rata dari r, g dan b.
Contoh citra hasil proses grayscaling dapat dilihat pada Gambar 3.1.
(a) (b)
Gambar 3.3. Proses Citra Grayscale, (a) CitraAsli (b) Citra Grayscale C. Contrast Stretching
Selanjutnya citra yang telah digrayscale akan diproses pada contrast stretching. Contrast stretching adalah tahapan untuk mengatur kontras citra sehingga didapatkan kontras pada citra yang lebih baik dan lebih jelas.
Gambar 3.4. Citra Mikroskopik Jaringan Usus Besar Contrast
3.5 Feature Extraction
Pada penelitian ini ekstraksi ciri menggunakan metode Gray Level Cooccurance Matrix (GLCM). GLCM adalah matriks yang merepresentasikan hubungan ketetanggaan antara dua piksel dalam citra berskala keabuan (grayscale) pada arah orientasi tertentu dan jarak spasial. Dalam ektraksi ciri diambil ciri-ciri khusus pada setiap gambar sehingga dapat mempermudah dalam proses selanjutnya. Citra input harus berupa citra grayscale, jika tidak maka citra tersebut harus dikonversi ke dalam bentuk citra berskala keabuan.
GLCM merupakan matriks berukuran n x n. Dimana n adalah banyaknya level abu-abu yang dimiliki oleh citra grayscale.
25
Langkah-langkah ekstraksi fitur menggunakan GLCM adalah sebagai berikut:
a. Menentukan gray level sebagai ukuran matriks.
b. Menentukan jarak spasial dan sudut orientasi antara piksel referensi dengapiksel tetangga. Jarak yang akan digunakan pada penelitian ini adalah 1 dan sudut yang digunakan adalah 00, 450, 900, dan 1350.
c. Nilai kookurasi dihitung berdasarkan jarak dan sudut yang telah ditentukan.
d. Matriks kookurensi harus dijumlahkan dengan matriks transposenya agar matrix kookuransi menjadi simetris.
e. Matriks kookuransi dinormalisasikan kebentuk probabilitas dengan cara membagi masing-masing nilai kookuransi dengan semua jumlah nilai kookuransi yang ada pada matriks, sehingga hasil penjumlahan semua nilai pada matriks bernilai 1.
f. Menghitung fitur statistik dari matriks yang telah dinormalisasi. 5 fitur yang akan digunakan adalah contrast, energy, homogeneity, entropy, dan dissimilarity g. Menghitung rata-rata dari nilai setiap fitur statistik yang ada sehingga diperoleh
satu nilai yang mewakili masing-masing fitur.
Beberapa fitur statistik pada GLCM diantaranya energy atau Angular Second Moment (ASM) digunakan untuk mengukur keseragaman tekstur dari suatu objek, hightlight geometri dan kemenerusan lapisan. Entropy digunakan untuk mengukur ketidaktraturan atau kompleksitas dari suatu objek. Contrast menunjukan variasi pasangan keabuan pada sebuah citra. Homogeneity atau Inverse Difference Moment digunakan untuk mengukur keseragaman dari suatu objek. Dissimilarity untuk menghitung nilai ketidakmiripan suatu tekstur. Persamaan untuk mengukur nilai masing- masing dapat dilihat pada persamaan berikut ini (Sandri, 2017).
𝐸𝑛𝑒𝑟𝑔𝑦 = ∑ ∑ 𝑝𝑖,𝑗2
𝑗 𝑖
𝐸𝑛𝑡𝑟𝑜𝑝𝑦 = ∑ ∑ 𝑃𝑖,𝑗
𝑗
log 𝑃𝑖,𝑗
𝑖
𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = ∑ ∑(𝑖 − 𝑗)2𝑃𝑖,𝑗
𝑗 𝑖
𝐻𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑖𝑡𝑦 = ∑ ∑ 𝑖
1 + ( 𝑖 − 𝑗)2 𝑃𝑖,𝑗
𝑗 𝑖
𝐷𝑖𝑠𝑠𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦 = ∑ 𝑃𝑖,𝑗 | 𝑖 − 𝑗|
𝑁−1
𝑖,𝐽 = 0
Gambar 3.5. Persamaan pengukur nilai GLCM
3.6 Klasifikasi
Setelah didapat nilai fitur pada proses ekstraksi fitur menggunakan Gray Level Coocurance Matrix (GLCM), tahapan selanjutnya yaitu proses klasifikasi citra mengunakan metode learning vektor quantization (LVQ). Pada tahap ini memiliki dua proses yaitu proses training dan proses testing. Proses training menggunakan nilai fitur yang didapat dari data training yang telah diekstraksi fitur. Pada proses testing dilakukan nilai pendekatan dengan menggunakan nilai fitur yang didapat pada data testing.
Dalam penelitian ini, Larning Vector Quantization (LVQ) digunakan untuk melakukan klasifikasi pola ke dalam beberapa kelas dengan mencari bobot akhir untuk proses klasifikasi dengan menghitung jarak antar data dan bobot akhir. Arsitektur LVQ terdiri atas dua lapisan yaitu lapisan input dan lapisan output. Lapisan input pada penelitian ini diperoleh dari proses ekstraksi fitur 20 nilai fitur dan lapisan output merupakan kelas dari proses klasifikasi yaitu normal, kanker carcinoma dan kanker lymphoma. Adapun Arsitektur umum dari Learning Vector Quantization dapat dilihat dari gambar 3.2.
27
B1
B2
B3
Gambar 3.6. Arsitektur Learning Vector Quantization (LVQ)
Keterangan :
A1, A2, A3,…. A.. = Nilai input dari hasil ektraksi fitur
|| A-W1||, ||A-W2||, || A-W3|| = Jarak bobot
Y1, Y2, Y3 = Lapisan output
B1, B2, B3 = Nilai output yang akan digunakan dalam proses uji
W1, W2, W3,…W… = Nilai data inisialisasi 3.6.1 Proses Training
Pada tahap training, algoritma LVQ yang akan memproses input dengan menerima vektor masukan sebanyak 20 fitur dengan keterangan dari kelas fitur. Proses penerapan Algoritma Learning Vector Quantization (LVQ) pada proses training digambarkan pada gambar 3.7 dibawah ini.
A1
A2
A3
A4
A30
|| A-W1 ||
|| A-W2 ||
|| A-W3 ||
Y1
Y2
Y3
Gambar 3.7. Pseudocode Penerapan Algoritma LVQ pada Citra Usus Besar
Adapun penjelasan dari gambar 3.7 yaitu:
Tahap Pertama padaalgoritma LVQ adalah tahap inisialisasi untuk penentuan awal bobot, maksimal literasi, minimum error dan learning rate untuk mendapatkan hasil akhir yang akurat pada citra
Tahap selanjutnya yaitu tahap inisialisasi nilai input dan target dari input. Nilai input didapat dari hasil ekstraksi fitur. pada tahap ini, setiap nilai input pada citra telah ditentukan target kelas citranya yaitu Normal, Carcinoma dan Lymphoma.
Tahap berikutnya, yaitu inisialisasi kondisi awal yaitu epoch= 0 dan error= 1.
Perhitungan bobot dimulai dari kondisi awal epoch sampai maksimum yang telah ditentukan.
Selama epoch lebih kecil dari maksimal epoch atau α>Eps maka hitung setiap bobot pada suatu input kemudian tetapkan bobot dengan nilai terkecil sebagai jarak terpendek pada bobot.
29
Tahap selanjutnya yaitu bandingkan target kelas dengan bobot. Jika target kelas dan bobot sama maka perbaharui nilai bobot dengan persamaan berikut ini:
wj(baru) = wj(lama) + α [x-wj(lama)]
Tetapi jika target kelas dan bobot berbeda maka perbaharui nilai dengan persamaan berikut ini:
wj(baru) = wj(lama) - α [x-wj(lama)]
Lakukan perhitungan yang sama seperti input awal pada setiap input dengan menggunakan bobot yang telah diperbaharui
Setelah setiap input selesai dilakukan perhitugan, maka kurangi nilai α dan lakukan literasi epoch sampai epoch mencapai maksimal epoch atau α mendekati nilai Eps
Pada tahap terakhir yaitu jika literasi epoch berakhir maka tetapkan bobot baru pada epoch terakhir sebagai bobot akhir yang akan digunakan sebagai nilai bobot pada proses data training.
3.6.2 Proses Testing
Pada tahap proses testing, data input diidentifikasikan dengan cara yang sama dengan tahap training yaitu nilai setiap bobot dihitung pada input dan memilih jarak terkecil pada bobot kedua. Nilai pada jarak bobot yang paling kecil akan mewakili setiap kelas pada citra masukan.
3.7 Output
Setelah dilakukan tahapan pemrosesan maka diperoleh output sistem yaitu apakah usus besar tergolong dalam kanker carcinoma, kanker lymphoma atau normal.
3.8 Rancangan Tampilan Antarmuka
Membangun sebuah sistem diperlukan suatu perancangan antarmuka (interface) yang merupakan gambaran secara umum tampilan dari sistem yang akan dibangun. Tujuan dari rancangan antarmuka sistem ini yaitu untuk memberikan kemudahan dalam membangun sistem sehingga dapat dipahami tujuan dan fungsi dari setiap tampilan pada sistem tersebut.
3.8.1 Rancangan Halaman Awal
Gambar 3.8 Rancangan halaman awal Keterangan:
1. Logo yang digunakan adalah logo Fasilkom-TI
2. Button “Training” akan menghubungkan user untuk masuk ke halaman proses data training penyakit kanker usus besar
3. Button “Testing” akan menghubungkan pengguna untuk masuk kehalaman klasifikasi
4. Button “Exit” akan memungkinkan pengguna untuk keluar dari sistem IDENTIFIKASI PENYAKIT KANKER USUS BESAR (COLORECTAL)
MENGGUNAKAN ALGORITMA LEARNING VECTOR
QUANTIZATION BERBASIS PENGOLAHAN CITRA
Chaidatul Husna 131402042
LOGO
Training Testing Exit
1
2 3 4
31
3.8.2 Rancangan Tampilan Proses Training
Gambar 3.9 Tampilan Proses Training Keterangan:
Gambar 3.9 Rancangan Halaman Training Keteragan
1. Button “Browse Gambar” Untuk memilih Citra mikroskopik jaringan kanker usus besar yang akan dipreprocessing
2. Akan menampilkan citra yang telah di preprocessing
3. Akan menampilkan ciri dari setiap fitur GLCM contrast Stretching
4. Untuk tempat menentukan klasifikasi antara normal, carcinoma atau lymphoma
5. Button “Simpan” Untuk menyimpan citra yang telah diklasifikasikan Preprocessing
Browse Gambar
Gambar Asli Grayscale Contrast Stretching
GLCM Contrast Stretching
Contrast : Homogeneity :
Energy : Entropy :
Dissimiliarity :
Klasifikasi
Normal Sarcinoma Lymphoma Simpan 1
2
3
4 5
Reset
3.8.3 Rancangan Tampilan Proses Testing
3.10. Tampilan Halaman Testing Keterangan:
1. Button “Browse Gambar” Untuk memilih Citra mikroskopik jaringan kanker usus besar yang akan di preprocessing
2. Akan menampilkan citra yang telah di preprocessing
3. Akan menampilkan ciri dari setiap fitur GLCM contrast Stretching 4. Akan menampilkan hasil dari klasifikasi
5. Akan menampilkan berapa lama waktu untuk menentukan hasil klasifikasi Browse Gambar
Preprocessing
Gambar Asli Greyscale Contrast Stretching
GLCM Contrast Stretching
Contrast : Homogeneity :
Energy : Entropy :
Dissimiliarity :
Klasifikasi: Waktu:
1
2
3
4 5
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini akan membahas hasil dari implementasi metode Learning Vector Quantization dalam mengklasifikasi penyakit kanker usus besar melalui jaringan yang diteliti dari mikroskopik dan pengujian sistem sesuai dengan analisis data dan perancangan sistem yang telah dibahas pada Bab 3.
4.1. Implementasi Sistem
Pada tahap implementasi sistem, proses untuk mengklasifikasi penyakit kanker usus besar dimulai dengan dilakukannya preprocessing, ekstraksi ciri dengan menggunakan Gray Level Coocurance Matrix dan hingga tahap akhir yaitu pengklasifikasian yang diimplementasikan ke dalam bahasa pemrograman Java dengan perancangan yang telah dilakukan.
4.1.1. Spesifikasi perangkat keras dan perangkat lunak
1. Processor Intel(R) Core(TM) i3-3217U CPU 1.80 GHz.
2. Memori RAM yang digunakan 6.00 GB 3. Kapasitas hard disk 500GB
4. Sistem operasi yang digunakan Microsoft Windows 7, 64Bit 5. NetBeans IDE 8.0.2
6. Library yang digunakan adalah Gson 7. JTattoo-1.6.11
4.2. Implementasi Perancangan Antarmuka
Adapun tampilan dari implementasi perancangan antarmuka berdasarkan rancangan sistem yang telah dibahas pada Bab 3 adalah sebagai berikut:
4.2.1 Halaman Beranda
Halaman beranda merupakan tampilan awal saat sistem pertama kali dijalankan.
Tampilan halaman beranda dapat dilihat pada gambar 4.1. Pada tampilan halaman beranda terdapat tiga button yaitu button training, button testing dan button exit yang jika diklik akan langsung menuju halaman training, testing atau keluar dari halaman beranda. Adapun tampilan beranda dapat dilihat dari gambar 4.3
Gambar 4.1. Tampilan Beranda
4.2.2 Halaman data training
Apabila user mengklik button training pada halaman beranda maka aplikasi ini akan menampilkan halaman data training. Pada halaman data training, user dapat melakukan proses training data citra sendiri dengan memilih citra mikroskopik jaringan kanker usus besar yang ingin di training dengan mengklik button pilih citra. Adapun tampilan menu training dapat dilihat dari gambar 4.2
35
Gambar 4.2. Tampilan menu training sebelum input citra
Selanjutnya setelah user memilih gambar maka aplikasi akan menampilkan hasil pengenalan citra berupa citra asli, citra grayscale, citra contrast dan juga akan menampilkan nilai fitur ekstraksi. Selanjutnya user dapat memilih kategori jenis citra jaringan kanker usus besar dan dapat mengklik button simpan untuk menyimpan nilai fitur ekstraksi sehingga dapat digunakan untuk mendapatkan nilai bobot pada proses data testing. Adapun tampilan proses data training dapat dilihat dari gambar 4.3
Gambar 4.3. Tampilan menu training setelah input citra
4.2.3 Halaman data testing
Tampilan halaman menu testing akan ditampilkan ketika user memilih menu testing. Tampilan halaman data testing ditujukan untuk melakukan proses testing citra dan pengenalan jenis kanker usus besar. Proses testing citra dan pengenalannya dapat dilakukan oleh user dengan melakukan perhitungan bobot terlebih dahulu. Proses perhitungan bobot digunakan untuk mendapatkan nilai bobot dari nilai fitur yang telah didapatkan pada proses training data untuk menghitung jarak terdekat bobot pada data training. Tampilan halaman testing dapat dilihat dari gambar 4.4.
Gambar 4.4. Tampilan halaman menu testing
Setelah itu user dapat memilih citra dengan menekan button pada browse dan selanjutnya aplikasi akan menampilkan pengenalan berupa citra asli, citra grayscale, citra contrast stretching dan juga akan menampilakn ekstraksi fitur dari jarak setiap bobot pada citra grayscale dan juga citra contrast stretching dan akan menampilkan jenis hasil klasifikasi juga beserta waktu pengklasifikasiannya.
Halaman proses testing dapat dilihat dari gambar 4.5
37
Gambar 4.5. Tampilan testing setelah input citra
4.3. Training Citra
Pada proses training, data yang digunakan sebanyak 150 citra mikroskopik jaringan usus besar yang terdiri dari Normal, Sarcinoma dan Lymphoma. Data inputan berupa citra mikroskopik jaringan usus besar yang berukuran 300 x 300 yang disimpan dalam .txt, proses klasifikasi menggunakan jaringan syaraf tiruan Learning Vector Quantization dengan performa terbaik pada epoch ke-2. Adapun parameter yang digunakan pada klasifikasi dapat dilihat pada table 4.1
Tabel 4.1 Parameter Training citra mikroskopik jaringan usus besar
Learning rate (α) 0.05
Penurunan Learning rate (Dec α) 0.1 Minimum Learning rate (Min α) 0.0001
Maksimum Epoch (MaxEpoch) 2
Algoritma Pembelajaran Learning Vector Quantization
4.4. Testing Citra
Pada proses testing aplikasi, data yang digunakan sebagai input sebanyak 30 citra yang terdiri dari 10 citra normal, 10 citra sarcinoma, 10 citra lymphoma. Hasil training citra mikroskopik jaringan usus besar dapat dilihat pada tabel 4.4