DIAGNOSA AWAL CITRA MELANOMA BERDASARKAN ATURAN ABCD

(1)

i

TUGAS AKHIR – CI1599

DIAGNOSA AWAL CITRA MELANOMA BERDASARKAN

ATURAN ABCD

ERNY LUTFIYAH ARIFIANTI NRP 5105 100 066

Dosen Pembimbing I

Chastine Fatichah, S. Kom, M. Kom Dosen Pembimbing II

Bilqis Amaliah, S. Kom, M.Kom TEKNIK INFORMATIKA

Fakultas Teknologi Informasi

Institut Teknologi Sepuluh Nopember Surabaya 2009

(2)

(3)

iii

UNDERGRADUATE THESIS – CI1599

MELANOMA IMAGE SEGMENTATION FOR

EARLY SKIN CANCER DIAGNOSE

ERNY LUTFIYAH ARIFIANTI NRP 5105 100 066

Supervisor I

Chastine Fatichah, S. Kom, M. Kom Supervisor II

Bilqis Amaliah, S. Kom, M.Kom DEPARTMENT OF INFORMATICS Faculty Of Information Technology

Sepuluh Nopember Institute Of Technology Surabaya 2009

(4)

ix

MELANOMA IMAGE SEGMENTATION FOR EARLY SKIN CANCER DIAGNOSIS

Student’s Name : Erny Lutfiyah Arifianti NRP : 5105 100 066

Major of Department : Informatics FoIT-ITS

Dosen Pembimbing I : Chastine Fatichah, S.Kom, M.Kom

Dosen Pembimbing II : Bilqis Amaliah, S.Kom, M.Kom

ABSTRACT

Melanoma is one of aggressively contaguous dangerous cancer. This cancer appears in cells that product melamin pigmen which is known to give color to skin. Melanoma could be deadly if it appears in a head skin or neck. Often melanoma is difficult to distinguish with benign lesion which is not a cancer. But if it can be diagnosed early, then the risk of death could be minimalized.

In this thesis, diagnose to image is done in three main process: preprocessing, segmentation process, and dermatoscopic feature extraction. The preprocessing process consists of two sub-process: median filtering and principal component analysis. The segmentation process also consists of three sub-process: fuzzy and region growing. The dermatoscopic feature extraction uses mnemonic device ABCD (Asymmetry, Border Irregularity, Color Variation, and Diameter).

Finally, testing using this methode produces some dermatoscopic feature that distinguish if an image is melanoma, melanoma symptoms (suspicious) or only benign lesions. To decide if an image is melanoma, there are formulas to determine Total Dermatoscopic Value (TDV).

Keywords: filtering, fuzzy, region growing, Principal Component Analysis, melanoma, Ektraksi Fitur ABCD.

(5)

vii

DIAGNOSA AWAL CITRA MELANOMA BERDASARKAN ATURAN ABCD

Nama Mahasiswa : Erny Lutfiyah Arifianti NRP : 5105 100 066

Jurusan : Teknik Informatika FTIF-ITS

Dosen Pembimbing I : Chastine Fatichah, S.Kom, M.Kom

Dosen Pembimbing II : Bilqis Amaliah, S.Kom, M.Kom

ABSTRAK

Melanoma adalah sejenis kanker berbahaya yang bersifat agresif dan menyebar dengan cepat. Kanker ini timbul di sel-sel yang memproduksi pigmen melanin, yaitu pemberi warna pada kulit. Melanoma lebih mematikan jika muncul di area kulit kepala atau leher. Seringkali melanoma agak sulit dibedakan dengan luka biasa yang bukan kanker. Namun jika bisa didiagnosa sejak dini, maka resiko yang diakibatkan bisa diminimalisir.

Dalam tugas akhir ini, diagnosa terhadap citra dilakukan melalui tiga proses utama yakni preprocessing, proses segmentasi, dan ekstraksi fitur dermatoskopis.Pada proses preprocessing terdiri dari dua tahapan proses lagi yakni median filtering dan principal component analysis. Pada proses segmentasi juga terbagi atas dua tahapan proses, yakni fuzzy dan region growing. Pada proses eksraksi fitur dermatoskopis menggunakan device mnemonic ABCD (Asymmetry, Border Irregularity, Color Variation, dan Diameter).

Pada akhirnya, uji coba dengan menggunakan metode ini menghasilkan suatu fitur dermatoskopis yang membedakan apakah image tersebut melanoma, gejala melanoma (suspicious) atau hanya luka biasa. Untuk menentukan citra tersebut melanoma atau bukan, terdapat rumus untuk menghitung Total Dermatoskopic Value (TDV).

Kata kunci: filtering, fuzzy, region growing, Principal Component Analysis, melanoma, Ektraksi Fitur ABCD

(6)

v

DIAGNOSA AWAL CITRA MELANOMA

BERDASARKAN ATURAN ABCD

HALAMAN PENGESAHAN

TUGAS AKHIR

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer

pada

Bidang Studi Sistem Bisnis Cerdas Program Studi S-1 Jurusan Teknik Informatika

Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember

Oleh:

ERNY LUTFIYAH ARIFIANTI

Nrp. 5105 100 066

Disetujui oleh Pembimbing Tugas Akhir: Chastine Fatichah, S.Kom, M.Kom (NIP. 132298829)

...………. (Pembimbing I )

Bilqis Amaliah, S.Kom, M.Kom (NIP.132296226)

...………. (Pembimbing II)

(7)

xi

KATA PENGANTAR

Segala puji bagi yang telah melimpahkan rahmat dan hidayah-Nya sehingga penulis bisa menyelesaikan Tugas Akhir yang berjudul ”Diagnosa Awal Citra Melanoma Berdasarkan Aturan ABCD”.

Pengerjaan Tugas Akhir ini, bagi penulis, merupakan suatu kesempatan yang sangat luar biasa untuk mengimplementasikan, meningkatkan, dan lebih memperdalam semua pengetahuan yang telah didapatkan penulis selama menjalani perkuliahan di kampus Teknik Informatika ITS tercinta. Penulis berharap, semoga apa yang tertulis di dalam buku Tugas Akhir ini dapat menjadi bagian dari pengembangan teknologi informasi saat ini, serta dapat memberikan kontribusi yang nyata bagi kampus Teknik Informatika dan bangsa Indonesia.

Terselesaikannya buku Tugas Akhir ini, tidak terlepas dari dukungan dan bantuan semua pihak. Oleh karena itu, dengan segala ketulusan dan kerendahan hati, penulis ingin mengucapkan rasa terima kasih yang sedalam-dalamnya kepada :

1. Ibu Chastine Fatichah, S.Kom, M.Kom. selaku dosen pembimbing I yang telah memberikan banyak wejangan, arahan, bantuan, ide-ide kreatif, perhatian, serta dukungan yang sangat dahsyat bagi penulis.

2. Ibu Bilqis Amaliah, S.Kom, M.Kom selaku dosen pembimbing II yang telah memberikan arahan dan bimbingan juga dalam menyelesaikan tugas akhir ini.

3. Ayah dan mama yang selalu mendoakan kesuksesan saya. Juga saudara-saudara penulis, Mbak Ifa, Indah, Irfan, si kembar Lukman dan Lutfi, si kecil Aulia, juga keponakan yang lucu, Wildan. Aku sayang kalian semua.

4. Mieky Sofyan Yudinata yang selalu membantu ketika penulis kesulitan dalam kuliah gara-gara SALAH JURUSAN.

(8)

xii

5. Bapak Yudhi Purwananto, S.Kom, M.Kom. selaku Kajur TC, Bapak Wahyu Suadi, S.Kom, M.Kom sebagai dosen wali penulis, Bapak Imam Kuswardayan S.Kom, M.Kom atas segala wejangannya, dan segenap dosen TC yang telah memberi banyak ilmu yang baik kepada penulis, para karyawan juga yang setia menemani hari-hari penulis selama di sini. Terima kasih yang banyak penulis haturkan.

6. Rekan-rekan di lab Komputing yang luar biasa telah membantu banyak dalam usaha membuat tugas akhir ini. Mas Fatih, Mas Silas, Mas Chika, Mas Yulianus, Mas Thamrin, Mbak Upe, Mbak Licha, dan mbak dan mas yang belum sempet kesebut.

7. Rekan-rekan seperjuangan PH Kabinet Pembaharuan, Deden, Robert, Aly, Tia, Hendri, Meli, Dugonk, Ariana, Hudan, Sari, Buset, Sheila, Andi Bagus, Westri, Mizar kadep tercinta, Rona, dan Leli.

8. Temen-temen 2005 yang sering menemani penulis saat kesepian, Tika, Amalia, Shinta, Ruktin, juga teman-teman satu bimbingan dengan Bu Chastine : Anggun, Ratna, Niken, Endang, Faisal, Mas Helmi. Dan semua yang gak bisa disebutkan satu-satu. Susah senang kita bersama.

9. Mas-mas, mbak-mbak, dan adik-adik seperjuangan di kampus Teknik Informatika yang telah memiliki gedung sendiri. 10. Juga tak lupa kepada semua pihak yang belum sempat

disebutkan satu per satu disini yang telah membantu terselesaikannya tugas akhir ini.

Tiada gading yang tak retak. Kiranya terdapat kekurangan dalam pembuatan buku TA ini, karenanya sangat diharapkan kritik dan saran yang membangun untuk perbaikan kedepan.

(9)

xiii

DAFTAR ISI

HALAMAN PENGESAHAN ... v ABSTRAK ... vii ABSTRACT ... ix KATA PENGANTAR ... xi

DAFTAR ISI ... xiii

DAFTAR GAMBAR ... xvi

DAFTAR TABEL ... xix

1. BAB I - PENDAHULUAN ... 1

1.1.Latar Belakang ... 1

1.2.Tujuan Pembuatan Tugas Akhir ... 2

1.3.Permasalahan ... 2

1.4.Batasan Tugas Akhir ... 3

1.5.Metodologi Tugas Akhir ... 3

1.6.Sistematika Penulisan ... 6

2. BAB II - TINJAUAN PUSTAKA ... 9

2.1.Representasi Pengolahan Citra ... 9

2.2.Preprocessing Citra ... 10

2.2.1. Konsep Filtering ... 11

2.2.2. Principal Component Analysis ... 15

2.3.Segmentasi Citra ... 17

2.3.1. Fuzzy Set ... 17

2.3.2. Region Growing ... 18

2.4.Ekstraksi Fitur ABCD ... 20

2.4.1. Asymmetry ... 20

2.4.2. Border Irregularity ... 24

2.4.3. Color Variation ... 28

2.4.4. Diameter ... 29

3. BAB III - DESAIN DAN IMPLEMENTASI ... 31

3.1.Desain Data ... 31

3.1.1.Data Masukan ... 31

3.1.2.Data Proses ... 32

3.1.3.Data Hasil ... 33

(10)

xiv

3.2.1.Data Input ... 34

3.2.2.Proses Preprocessing ... 35

3.2.3.Proses Segmentasi ... 36

3.2.4.Proses Penghitungan TDV Melalui Ektraksi Fitur ABCD 39 3.2.5. Data Output ... 42

3.3.Perancangan Antarmuka... 42

3.4.Lingkungan Implementasi ... 47

3.5.Potongan dan Penjelasan Program ... 48

3.5.1. Preprocessing ... 48

3.5.1.1. Median Filtering ... 48

3.5.1.2.Principal Component Analysis ... 49

3.5.2.Segmentasi ... 49

3.5.2.1. Fuzzy set ... 50

3.5.2.2. Penetuan Titik Tengah (Seed Point) ... 50

3.5.2.3. Region Growing ... 52

3.5.3. Ektraksi Fitur ABCD ... 53

3.5.3.1. Asymmetry ... 54

3.5.3.2. Border Irregularity ... 56

3.5.3.3. Color Variation ... 61

3.5.3.4. Diameter ... 64

4. BAB IV - UJI COBA DAN PEMBAHASAN ... 67

4.1.Lingkungan Uji Coba ... 67

4.2.Data Uji Coba ... 67

4.3.Proses Uji Coba ... 69

4.3.1.Uji Coba terhadap Citra Uji1.jpg ... 69

4.3.2. Uji Coba terhadap Citra Uji2.jpg ... 71

(11)

xv

5. BAB V - KESIMPULAN DAN SARAN ... 92

5.1.Kesimpulan... 92

5.2.Saran ... 92

DAFTAR PUSTAKA... 94

LAMPIRAN ... 95

(12)

xvi

DAFTAR GAMBAR

Gambar 2.1. Konsep median filtering ... 12

Gambar 2.2. 3 x 3 averaging kernel ... 13

Gambar 2.3. Kernel Konvolusi Sobel ... 13

Gambar 2.4. Kernel Pseudo-convolution ... 14

Gambar 2.5. Citra Grayscale dan hasil operator Sobel ... 15

Gambar 2.6. Metode Box-Counting ... 26

Gambar 2.7. Kalkulasi fractal dimension (fd) menggunakan metode box-counting ... 26

Gambar 3.1. Diagram Alir Garis Besar Proses ... 32

Gambar 3.2. Block Diagram Keseluruhan Proses ... 34

Gambar 3.3. Diagram Alir Proses Preprocessing ... 36

Gambar 3.4. Diagram Alir Proses Segmentasi ... 37

Gambar 3.5. Diagram Alir Proses Region Growing ... 38

Gambar 3.6. Diagram Alir Proses Proses Ektraksi Fitur ABCD 39 Gambar 3.7. Diagram Alir Proses Mencari Nilai A ... 40

Gambar 3.8. Diagram Alir Proses Mencari Nilai B ... 41

Gambar 3.9. Antarmuka perangkat lunak ... 42

Gambar 3.10.Proses upload citra ... 43

Gambar 3.11.Setelah citra berhasil diupload ... 43

Gambar 3.12.Setelah mengklik tombol preprocessing ... 44

Gambar 3.13.Setelah mengklik tombol segmentasi ... 45

Gambar 3.14.Setelah menentukan titik tengah ... 45

Gambar 3.15.Setelah mengklik tombol ‘TDV Result’ ... 46

Gambar 3.16.Window Detil ABCD ... 47

Gambar 3.17.Potongan Program Median Filtering ... 49

Gambar 3.18.Potongan Program Principal Component Analysis 49 Gambar 3.19.Potongan Program fuzzy set ... 50

Gambar 3.20.Potongan Program Penentuan Seed Point ... 52

Gambar 3.21.Potongan Program Region Growing ... 53

Gambar 3.22.Potongan Program Mencari Nilai Moment ... 54

Gambar 3.23.Potongan Program Mencari Asymmetry Index ... 55

(13)

xvii

Gambar 3.25.Potongan Program untuk membersihkan

bercak-bercak pada citra Black and White ... 58

Gambar 3.26.Potongan Program Compactness Index ... 59

Gambar 3.27.Potongan Program Fractal Dimension ... 60

Gambar 3.28.Potongan Program Edge Abruptness ... 61

Gambar 3.29.Potongan Program Pigmentation Transition me dan ve ... 61

Gambar 3.30.Potongan Program Color Homogeneity ... 63

Gambar 3.31.Potongan Program Correlation between photometry and Geometry ... 64

Gambar 3.32.Potongan Program Mencari Diameter ... 65

Gambar 4.1.Snap Shot depan uji1.jpg ... 69

Gambar 4.2.Snap Shot rincian Ektraksi Fitur ABCD uji1.jpg .... 70

Gambar 4.3.Snap Shot Edge Detection uji1.jpg... 70

Gambar 4.11.Snap Shot rincian Ektraksi Fitur ABCD uji4.jpg .. 76

Gambar 4.12.Snap Shot Edge Detection uji4.jpg ... 77

(14)

xviii

Gambar 4.25.Snap Shot depan uji9.jpg ... 86 Gambar 4.26.Snap Shot rincian Ektraksi Fitur ABCD uji9.jpg .. 87 Gambar 4.27.Snap Shot Edge Detection uji9.jpg ... 87 Gambar 4.28.Snap Shot depan uji10.jpg ... 88 Gambar 4.29.Snap Shot rincian Ektraksi Fitur ABCD uji10.jpg 89 Gambar 4.30.Snap Shot Edge Detection uji10.jpg ... 89

(15)

xix

DAFTAR TABEL

Tabel 4.1 Lingkungan Uji Coba ... 67

Tabel 4.2 Data Citra Uji Coba ... 68

Tabel 4.3 Data Hasil Uji Coba Uji1.jpg ... 71

Tabel 4.13 Tabel Hasil Uji Coba Citra Uji1.jpg-Uji10.jpg ... 90

Tabel 4.14 Tabel Hasil Uji Coba Citra Uji11.jpg-Uji20.jpg ... 91