DETEKSI KELAINAN KANKER PAYUDARA BERDASARKAN CITRA MAMMOGRAM MENGGUNAKAN JARINGAN SYARAF TIRUAN LVQ (LEARNING VEQTOR QUANTIZATION)

(1)

MAMMOGRAM MENGGUNAKAN JARINGAN SYARAF TIRUAN LVQ (LEARNING VEQTOR QUANTIZATION)

Juwita Puteri Nurasyah¹, Achmad Rizal², Koredianto Usman³

¹Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom Abstrak

Kanker payudara merupakan kanker yang menempati tempat ke dua terbanyak setelah kanker leher rahim di Indonesia. Dengan mammografi, deteksi dini kanker payudara dapat dikenali. Mammogram adalah gambar yang diperoleh dari pemeriksaan mammografi dengan massa dan mikrokalsifikasi sebagai tanda adanya pertumbuhan sel kanker. Pengolahan citra digital

memberikan solusi dalam membantu para radiolog mendiagnosa mammogram berbasis software. Tugas akhir ini bertujuan untuk menghasilkan suatu alat bantu untuk mendiagnosa citra

mammogram dan mengklasifikasikan tipe kelainan kanker payudara ke dalam kelas normal, jinak, dan ganas, serta menganalisa performansi pendekatan statistik dan filter Gabor wavelet. Secara umum, sistem pendeteksian kelainan kanker payudara ini terdiri dari dua bagian utama, yaitu: ekstraksi ciri menggunakan ciri statistik dan filter Gabor wavelet, dan klasifikasi ciri menggunakan jaringan saraf tiruan Learning Vector Quantization (LVQ). Pada preprocessing, dari citra mammogram akan didapatkan sub-citra mammogram menggunakan operasi morfologi. Hasil sub-citra yang berupa daerah global (payudara) dan daerah lokal (massa atau

mikrokalsifikasi) ini kemudian dihitung dengan pendekatan statistik dan filter Gabor wavelet sehingga didapatkan feature-feature tertentu. Feature-feature yang diperoleh inilah yang kemudian dikenali dengan menggunakan JST LVQ.

Penelitian serupa sudah pernah dilakukan, yaitu dengan menggunakan metode jarak euclidean dengan akurasi mencapai 70%, dengan filter Coiflet 5 dan JST-BP dengan akurasi 87.5%, dan dengan filter Symlet 8 dan JST-BP dengan akurasi mencapai 86.67%. Dalam tugas akhir ini, dibandingkan performansi pendekatan statistik dan filter Gabor wavelet sebagai pengekstraksi ciri. Hasil akurasi terbaik menggunakan filter Gabor wavelet dengan 24 variasi ciri dan

menggunakan kategori ciri gabungan diperoleh tingkat akurasi pendeteksian kelainan kanker payudara adalah 100% untuk data latih dan 70% untuk data uji.

Kata Kunci : Kanker payudara, mammogram, pendekatan statistik, filter Gabor

(2)

Abstract

Breast cancer is the second most lethal cancer for women in Indonesia. The goal of

mammography is to provide early detection of breast cancer. Mammogram is the image produced by mammography which is the existance of cancer is showed by mass and micro-calcification. The using of digital image processing helps the radiologs to diagnose mammogram based on software. This project aims to produce a tool to diagnose mammogram and classify breast cancer into normal, benign, or malignant type of class, besides to analyze performance of statistical feature and Gabor wavelet filter. Generally, the system of breast cancer detection consists of two main parts, i.e. feature extraction using statistical approach and filter Gabor wavelet, and feature classification using Learning Vector Quantization (LVQ) neural network. In preprocessing, from mammogram, sub-image of mammogram is produced using morphology operation. Thus, result of sub-image of mammogram, which are global region (breast) and local region (mass and micro-calcification,) is calculated using statistical approach and Gabor wavelet filter to get unique features. These features are recognized used LVQ neural network.

Previous research that applied the Euclidean method resulted in 70% of accuracy, others that tried to apply the Coiflet 5 method with a BP neural network resulted 87.5% of accuracy, and others that tried to apply the Symlet 8 method with a BP neural network resulted 86.67% of accuracy. This project applying statistical approach and Gabor wavelet filter as a performance comparison. The best accuracy is reached by using Gabor wavelet filter with 24 feature variations and gainedfeature obtained the accuracy of breast cancer detection is 100% for training data and 70% for testing data set.

Keywords : Breast cancer, mammogram, statistical approach, Gabor wavelet

Powered by TCPDF (www.tcpdf.org)

(3)

DETEKSI KELAINAN KANKER PAYUDARA BERDASARKAN CITRA MAMMOGRAM

MENGGUNAKAN JARINGAN SYARAF TIRUAN LVQ (LEARNING VECTOR QUANTIZATION) BAB I

PENDAHULUAN 1.1 Latar Belakang

Kanker payudara merupakan kanker terbanyak kedua sesudah kanker leher rahim di Indonesia [13]. Gejala permulaan kanker payudara sering tidak disadari atau dirasakan dengan jelas oleh penderita sehingga banyak penderita yang berobat dalam keadaan lanjut. Untuk itu diperlukan adanya diagnosis dini kanker payudara. Salah satu metode pendeteksian kanker payudara dini adalah melalui pemeriksaan mammografi.

Dengan menggunakan kecerdasan buatan (artificial intellegence) maka dapat dikembangkan suatu teknik pendeteksian dengan menggunakan software yang membuka peluang untuk mengembangkan teknologi citra digital menjadi lebih bermanfaat, untuk hal ini dalam bidang medis. Masukan software yang digunakan adalah citra mammogram yang dihasilkan oleh alat mammografi digital. Dari sifat-sifat yang ada dari tiap kondisi citra mammogram, dicoba untuk mendapatkan ciri khas dari tiap citra mammogram. Diharapkan ciri yang berhasil didapat dapat membedakan jenis citra mammogram antara kasus yang berlainan.

Pada tugas akhir ini, dibahas penggunaan dari kecerdasan buatan, dalam hal ini jaringan saraf tiruan (JST) untuk mengklasifikasikan kanker payudara dari citra mammogram. Penggabungan metode jaringan syaraf tiruan dan pengolahan citra digital diharapkan dapat menghasilkan alat bantu klasifikasi jenis kanker yang akurat sehingga dapat membantu para radiolog untuk mendiagnosa jenis kanker payudara dan nantinya dapat disempurnakan untuk bisa diimplementasikan dalam mammografi digital.

1.2 Tujuan

Tujuan dari penulisan tugas akhir ini adalah :

1. Merancang dan membangun program aplikasi yang berfungsi untuk mendeteksi kelainan kanker payudara berdasarkan citra mammogram digital

(4)

BAB I Pendahuluan [2]

MENGGUNAKAN JARINGAN SYARAF TIRUAN LVQ (LEARNING VECTOR QUANTIZATION) menggunakan ekstraksi ciri Gabor wavelet dan ciri statistik dengan JST

Learning Vector Quantization.

2. Menganalisis performansi program aplikasi pendeteksi kelainan kanker payudara dengan parameter tingkat keakuratan identifikasi dan ketepatan dalam menentukan klasifikasi berdasarkan BIRADS (Breast Imaging Reporting and Data System).

1.3 Rumusan Masalah

Perumusan seluruh masalah yang dikaji dalam tugas akhir ini antara lain : 1. Pembuatan program aplikasi pendeteksi kelainan kanker payudara

berdasarkan citra mammogram digital menggunakan ekstraksi ciri Gabor wavelet dan ciri statistik dengan JST Learning Vector Quantization.

2. Analisis jenis ekstraksi ciri yang paling baik digunakan untuk ekstraksi ciri pada program apikasi yang akan dibuat.

3. Analisis parameter-parameter pada JST Learning Vector Quantization yang dapat mempengaruhi tingkat keakuratan identifikasi dan ketepatan dalam menentukan klasifikasi kelainan kanker payudara.

4. Analisis performansi program aplikasi pendeteksi kelainan kanker payudara dengan parameter tingkat keakuratan identifikasi dan ketepatan dalam menentukan klasifikasi berdasarkan BIRADS (Breast Imaging Reporting and Data System).

1.4 Batasan Masalah

Dalam implementasi, tugas akhir ini dibatasi pada hal-hal :

1. Penelitian ini dibatasi pada pendeteksian adanya massa dan mikrokalsifikasi pada mammogram sebagai tanda dari kanker.

2. Kelainan yang dideteksi berdasarkan klasifikasi BIRADS (Breast Imaging Reporting and Data System), hanya meliputi normal, jinak (benign) dan kelainan ganas (malignant), dan tidak mencakup stadiumnya.

(5)

MENGGUNAKAN JARINGAN SYARAF TIRUAN LVQ (LEARNING VECTOR QUANTIZATION) 3. Masukan bagi perangkat lunak yang dirancang adalah citra mammogram

digital grayscale dalam bentuk *.bmp atau *.jpg.

4. Jumlah sampel citra mammogram digital yang digunakan adalah sebanyak 149 citra yang terdiri dari: 54 citra mammogram payudara normal dan 95 citra mammogram payudara dengan 2 jenis kelainan yang berbeda-beda.

5. Metode yang digunakan untuk ekstraksi ciri citra mammogram adalah Gabor wavelet dan ciri statistik.

6. Metode klasifikasi ciri yang digunakan adalah jaringan syaraf tiruan Learning

Vector Quantization.

7. Alat bantu yang digunakan adalah software Matlab 7.1.3.

8. Program aplikasi yang dihasilkan memiliki kemampuan untuk mendeteksi kelainan kanker payudara secara off-line.

1.5 Metodologi Penulisan

Metodologi yang digunakan dalam penelitian tugas akhir ini adalah : 1. Studi literatur

Bertujuan untuk mempelajari dasar teori dari literatur-literatur mengenai pendeteksian kelainan kanker payudara berdasarkan citra mammogram, diantaranya:

a. Mempelajari tentang pengolahan citra digital.

b. Mempelajari tentang analisis tekstur dan pendekatan statistik. c. Mempelajari tentang ekstraksi ciri menggunakan Gabor wavelet.

d. Mempelajari tentang klasifikasi ciri menggunakan jaringan syaraf tiruan

Learning Vector Quantization.

2. Pengumpulan data

Bertujuan untuk mendapatkan data citra mammogram yang akan digunakan sebagai masukan sistem.

Citra mammogram diperoleh dari Rumah Sakit Kanker Dharmais Jakarta, bagian Radiodiagnostik. Data ini merupakan citra digital, grayscale, dan disimpan dalam format data bitmap.

(6)

BAB I Pendahuluan [4]

MENGGUNAKAN JARINGAN SYARAF TIRUAN LVQ (LEARNING VECTOR QUANTIZATION) 3. Studi pengembangan aplikasi

Bertujuan untuk menentukan metodologi pengembangan sistem yang digunakan dengan pendekatan terstruktur dan melakukan analisis perancangan.

4. Implementasi program aplikasi

Bertujuan untuk melakukan implementasi metode pada program aplikasi sesuai dengan perancangan yang telah dilakukan.

5. Analisis performansi

Bertujuan untuk melakukan analisis performansi pendeteksian kelainan kanker payudara berdasarkan citra mammogram menggunakan ekstraksi ciri Gabor wavelet dan ciri statistik dengan jaringan syaraf tiruan Learning Vector

Quantization.

6. Pengambilan kesimpulan

Bertujuan untuk menarik kesimpulan setelah melakukan percobaan pendeteksian kelainan kanker payudara berdasarkan citra mammogram.

1.6 Sistematika Penulisan

Tugas Akhir ini disusun dengan sistematika pembahasan sebagai berikut : BAB I PENDAHULUAN

Berisi latar belakang masalah, perumusan masalah, batasan masalah, tujuan pembahasan, metodologi penyelesaian masalah, dan sistematika penulisan.

BAB II DASAR TEORI

Berisi tentang teori yang mendasari penulisan tugas akhir ini, yaitu teori tentang kanker payudara, mammografi, pengolahan citra digital, analisis tekstur, Gabor wavelet, dan JST LVQ (Learning Vector Quantization).

(7)

MENGGUNAKAN JARINGAN SYARAF TIRUAN LVQ (LEARNING VECTOR QUANTIZATION) BAB III PERANCANGAN SISTEM DAN SIMULASI

Berisi tentang proses perancangan sistem, diagram blok sistem, skenario yang dibuat untuk simulasi, dan parameter-parameter yang akan diuji dan dianalisis.

BAB IV ANALISIS HASIL SIMULASI

Berisi analisis terhadap hasil yang diperoleh dari pengujian sistem yang telah dibuat.

BAB V KESIMPULAN DAN SARAN

Berisi kesimpulan dari analisis yang telah dilakukan, tingkat keberhasilan sistem, dan saran-saran yang dapat digunakan untuk penelitian berikutnya.

(8)

BAB V Kesimpulan dan Saran [55]

MENGGUNAKAN JARINGAN SYARAF TIRUAN LVQ (LEARNING VECTOR QUANTIZATION) BAB V

KESIMPULAN DAN SARAN 5.1 Kesimpulan

Dari hasil analisis terhadap pengujian yang dilakukan pada sistem deteksi kelainan kanker payudara berdasarkan citra mammogram menggunakan ciri statistik, Gabor wavelet, dan jaringan syaraf tiruan LVQ (Learning Vector Quantization), maka dapat ditarik kesimpulan sebagai berikut :

1 Tingkat akurasi yang paling baik pada sistem deteksi kelainan kanker payudara yang dirancang adalah 100% untuk data latih dan 70% untuk data uji, dengan menggunakan ekstraksi ciri gabungan dari Gabor wavelet variasi 24 ciri.

2 Ekstraksi ciri dari Gabor wavelet dengan variasi 24 ciri memberikan hasil deteksi yang lebih akurat daripada ekstraksi ciri dari Gabor wavelet dengan variasi 32 ciri dan ciri statistik.

3 Jenis kategori ciri pada ekstraksi ciri yang memberikan hasil deteksi paling akurat adalah ciri gabungan.

4 JST LVQ dengan 44 hidden neuron memberikan hasil paling optimal dalam penelitian ini.

5 Semakin banyak jumlah data latih yang dimasukkan ke sistem JST maka semakin baik tingkat akurasi sistem.

6 Pemilihan data latih yang dimasukkan pada proses pelatihan mempengaruhi tingkat akurasi sistem.

7 Waktu komputasi sistem deteksi kelainan kanker payudara yang dirancang adalah 17,0629 – 17,2246 detik (tidak termasuk waktu pelatihan JST), sehingga sistem diharapkan dapat bekerja secara real time.

(9)

MENGGUNAKAN JARINGAN SYARAF TIRUAN LVQ (LEARNING VECTOR QUANTIZATION) 5.2 Saran

Pengembangan yang dapat dilakukan pada tugas akhir ini antara lain :

2.1.1 Pengembangan kelas pada sistem deteksi berdasarkan BIRADS, yang mencakup 6 kelas.

2.1.2 Penggunaan data latih dan data uji yang lebih banyak agar sistem dapat mengenali berbagai variasi data pada masing-masing kelas kelainan kanker payudara.

2.1.3 Penggunaan metode pre-processing yang lebih handal agar didapatkan citra dari mammogram yang dapat menghasilkan ciri yang lebih baik. 2.1.4 Penggunaan ekstraksi ciri dengan metode lain yang menghasilkan ciri

yang berbeda untuk setiap kelas kelainan kanker payudara.

2.1.5 Penggunaan jaringan syaraf tiruan yang berbeda untuk pengenalan pola, baik unsupervised atau supervised.

2.1.6 Sistem ini dapat diimplementasikan secara real time dengan menggunakan alat mammografi digital sehingga bisa menjadi alat bantu yang lengkap untuk radiolog.

(10)

xviii

DAFTAR PUSTAKA

[1] Ballinger, Philip W. 1995. Merrill’s Atlas of Radiographic Positions and

Radiologic Procedures. USA: Mosby-Year Book Inc.

[2] Gonzales, Rafael C and Woods, Richard. 1993. Digital Image Processing. USA: Addison-Wesley Publishing Company.

[3] Habibie, Nurmila Setiawati. 2006. Deteksi Kelainan Jantung Berdasarkan

Suara Jantung Menggunakan Dekomposisi Paket Wavelet dan Jaringan Syaraf Tiruan LVQ. Bandung: STT Telkom.

[4] Kartalopoulos, Stamatios V. 1996. Understanding Neural Networks and Fuzzy

Logic. USA: IEEE Press.

[5] Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan (Menggunakan

Matlab dan Excel Link). Yogyakarta: Graha Ilmu.

[6] Lippman,. Lichter,. Danforth. 1998. Diagnosis and Management of Breast

Cancer. Philadelphia: W. B. Saundres Company.

[7] Makes, Daniel. 1992. ATLAS Ultrasonografi Payudara dan Mammografi. Jakarta: Balai Penerbit Fakultas Kedokteran Universitas Indonesia.

[8] Munir, Rinaldi. 2004. Pengolahan Citra Digital Dengan Pendekatan

Algoritmik. Bandung: Penerbit Informatika.

[9] Pfarl, G., & Helbich, T.H. ____. BIRADS - Breast Imaging and Reporting Data

System. [Online], URL: http://www.birads.at/info.html, (download: July 8,

2008).

[10] Siang, Jong Jek. 2005. Jaringan Saraf Tiruan dan Pemrogramannya

Menggunakan Matlab. Yogyakarta: Andi Yogyakarta.

[11] Stephan, Pam. 2008. BIRADS (Breast Imaging and Reporting Data System)

Mammogram Details and Diagnosis. [Online], URL:

http://breastcancer.about.com/od/diagnosis/a/birads.htm, (download: July 8,

2008).

[12] Sugiharto, Aris. 2006. Pemrograman GUI dengan Matlab. Yogyakarta: Andi Yogyakarta.

(11)

xix

[13] Sutjipto. ____. Permasalahan Deteksi Dini dan Pengobatan Kanker Payudara. [Online], URL: http://www.dharmais.co.id/new/content.php, (download: November 21, 2007).

[14] Terok, Beatrix Hedwig. 2006. Pendeteksian Kanker Payudara pada

Mammogram Menggunakan Filter Wavelet Symlet dan Jaringan Syaraf Tiruan Back-Propagation. Bandung: STT Telkom.

[15] The Math Works Inc. 2000. MATLAB Image Processing Toolbox User Guide. [16] The Math Works Inc. 2000. MATLAB Neural Network Toolbox User Guide. [17] Van Den Velde, C. J. H. , Bosman, F. T., Wagener, D. J. Th. 1999. Onkologi.

Yogyakarta: Gajah Mada University Press.

[18] Wibawanto, Hari., Susanto, Adhi., Widodo, Thomas Sri., dan Tjokronegoro, S. Maedji. 2008. Identifikasi Citra Massa Kistik Berdasar Fitur Gray-Level

Co-occurrence Matrix. Yogyakarta: Seminar Nasional Aplikasi Teknologi

Informasi 2008.

[19] Widodo, Thomas Sri. 2005. Sistem Neuro Fuzzy Untuk Pengolahan Informasi,

Pemodelan Dan Kendali. Yogyakarta: Graha Ilmu.

[20] Wijaya, Marvin Ch. dan Prijono, Agus. 2007. Pengolahan Citra Digital

Menggunakan MATLAB Image Processing Toolbox. Bandung: Penerbit

Informatika.

[21] Yusianor, Desy. 2005. Kompresi Data Pada Gambar Medis Dengan Metode

ROI Coding Berdasarkan Transformasi Wavelet. Bandung: STT Telkom.

[22] ________. 2005. Mengenal Kanker. [Online], URL:

http://www.mediasehat.com/utama07.php, (download: November 21, 2007).