SKRIPSI
RIDHA MAISHA BANCIN 131402118
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN
2018
KLASIFIKASI STADIUM KANKER USUS BESAR BERDASARKAN CITRA COLONOSCOPY MENGGUNAKAN LINEAR DISCRIMINANT ANALYSIS
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah sarjana Teknologi Informasi
RIDHA MAISHA BANCIN 131402118
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2018
iv
UCAPAN TERIMA KASIH
Puji dan syukur kehadirat Allah SWT, karena rahmat dan izin-Nya penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, pada Program Studi S1 Teknologi Informasi Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada:
1. Allah SWT, untuk rahmat dan karunia Nya sehingga penulis dapat menyelesaikan penulisan tugas akhir ini.
2. Bapak Prof. Runtung Sitepu, SH., M. Hum selaku Rektor Universitas Sumatera Utara.
3. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc selaku Dekan Fasilkom-TI USU.
4. Ibu Dr. Erna Budhiarti Nababan, M.IT selaku pembimbing 1 dan Bapak Dr.
Sawaluddin,, M.IT selaku pembimbing 2 yang telah banyak meluangkan waktu dan pikiran beliau, membimbing, memotivasi, memberikan arahan, kritik dan saran kepada penulis.
5. Bapak Romi Fadillah Rahmat, B.Comp. Sc., M.Sc selaku Dosen Penguji 1 dan Bapak Seniman, S.Kom. ,M.Kom selaku Dosen Penguji 2 yang telah memberikan kritik dan saran kepada penulis.
6. Kedua orangtua penulis, Drs. H. Syafrizal Bancin, MM dan Dra. Hj.
Halimatussakdiah , yang telah memberikan dukungan dan motivasi baik materil dan spiritual selama penulis mengikuti pendidikan hingga berakhirnya penulisan tugas akhir ini.
7. Seluruh dosen, staff dan pegawai di Program Studi Teknologi Informasi serta Fakultas Ilmu Komputer dan Teknologi Informasi yang tidak dapat saya sebutkan satu-persatu.
8. Halimsyah Bancin dan Hanif Riady Bancin yang selalu menemani dan menyediakan tranportasi penulis selama menyelesaikan penulisan tugas akhir ini.
9. Teman seperjuangan penulis Ony Naraulita Maringga S. Kom dan Anugerah J.L Tobing. S.Kom yang selama ini membantu penulis mengerjakan tugas
vi
11. Nenek penulis Nurapipah Siregar dan tante penulis Rahmiaty Bancin yang selalu mengarahkan dan memberikan dukungan kepada penulis selama penulis mengikuti pendidikan hingga berakhirnya penulisan tugas akhir ini.
12. Sepupu penulis Karina Chairunnisa, Putri Nadila, Amanti Amalia , Della Assifa dan Arima Bancin yang selalu memberikan motivasi serta hiburan kepada penulis selama menyelesaikan penulisan tugas akhir ini
13. Terima kasih kepada Teman-teman VIP Jepang dan Malaysia yang selalu memberikan dukungan dan doa selama penulis menyelesaikan penulisan tugas akhir ini khususnya Marie Shimizu dan Sushie vielre.
14. Terima kasih kepada BIGBANG (G.Dragon,TOP,Daesung,Taeyang dan Seungri) yang telah menemani dan memberikan semangat serta motivasi melalui lagu-lagu yang diciptakan sehingga penulis dapat menyelesaikan tugas akhir ini.
15. Teman-teman dari situs Kaskus,code project dan stack overflow yang telah membantu,mengarahkan dan memberikan bimbingan kepada penulis selama penulis menyelesaikan tugas akhir ini.
Akhir kata, penulis mengucapkan terima kasih untuk segala pihak yang secara langsung maupun tidak langsung membantu penulis dalam menyelesaikan penelitian ini. Penulis menyadari bahwa skripsi ini masih terdapat kekurangan. Oleh sebab itu, penulis mengharapkan kritik dan saran yang membangun. Akhir kata penulis ucapkan terima kasih.
ABSTRAK
Kanker usus besar merupakan suatu tumor ganas yang ditemukan dicolon atau rectum.
Pada stadium lanjut kanker kolorektal dapat menyebar ke organ-organ tubuh lainnya.
Pemeriksaan kanker kolon dilakukan dengan banyak cara,salah satu nya adalah dengan cara colonoscopy. Colonoscopy dilakukan dengan cara memasukkan alat melalui rektum ke dalam usus besar. Colonoscopy memiliki kamera video di ujung yang terhubung ke display sehingga dokter dapat melihat dan meneliti bagian dalam usus besar. Tentu dengan cara tersebut, seorang dokter membutuhkan waktu yang lama dan keahlian yang baik untuk mendeteksi stadium Kanker usus besar pada pasien berdasarkan citra colonoscopy. Untuk mengatasi masalah tersebut, maka dibutuhkan metode untuk mengklasifikasi citra colonoscopy secara otomatis. Pada penelitian ini, Linear Discriminant Analysis digunakan sebagai metode untuk mengklasifikasi citra Colonoscopy. Tahap – tahap yang dilakukan sebelum klasifikasi adalah preprocessing (grayscaling), Segementasi dengan otsu thresholding,lalu dilakukan converting kembali ke dalam citra grayscale setelah itu dilakukan ekstraksi fitur menggunakan Gray Level Cooccurance Matrix (GLCM) dengan 6 fitur, yaitu energi, Sum of Square, Inverse Different Moment (IDM),maksimum probabilitas, homogenitas, dan dissimilarity.Hasil penelitian ini menunjukkan berdasarkan 55 data yang terdiri dari 41 data training dan 14 data testing bahwa Linear Discriminant Analysis mampu melakukan klasifikasi citra colonoscopy dengan akurasi sebesar 92,85%.
Kata Kunci:Kanker usus besar,Citra Colonoscopy,grayscalling,Otsu Thresholding, Gray Level Cooccurance Matrix (GLCM),Linear Discriminant Analysis
viii
CLASSIFICATION OF COLON CANCER STAGING USING COLONOSCOPY IMAGE WITH
LINEAR DISCRIMINANT ANALYSIS
ABSTRACT
Colon Cancer is a malignant tumor found in colon or rectum. In advanced stages of colorectal cancer can spread to other organs of the body.Cancer of Colon examination is done in many ways, one of which is colonoscopy.Colonoscopy is done by inserting the tool through rectum into the colon.Colonoscopy has a video camera on the end connected to the display so doctors can see and examine the inside of the colon.Because of that a doctor takes a long time and must be good expertise to detect colon cancer stage in patient based on colonoscopy image.To solve the problem, then needed method to classify colonoscopy image automatically.In this study, Linear Discriminant Analysis was used as a method to classify Colonoscopy images. The pre- processing (grayscaling), segmentation with otsu thresholding,converting from segmentation to grayscale and then extraction feature uses Gray Level Cooccurance Matrix (GLCM) with 6 features, ie energy, Sum of Square, Inverse Different Moment (IDM), maximum probability , homogeneity, and dissimilarity. The results of this study are based on 55 data consisting of 41 training data and 14 data testing that Linear Discriminant Analysis is able to classify accurate colonoscopy images of 92.85%.
Keywords: Colon Cancer , Colonoscopy Image, Grayscalling, Otsu Thresholding, Gray Level Cooccurance Matrix (GLCM), Linear Discriminant Analysis.
DAFTAR ISI
Halaman
PERSETUJUAN Error! Bookmark not defined.
PERNYATAAN Error! Bookmark not defined.
UCAPAN TERIMA KASIH v
ABSTRAK vii
ABSTRACT viii
DAFTAR ISI ix
DAFTAR TABEL xi
DAFTAR GAMBAR xii
BAB 1 PENDAHULUAN
1.1 Latar Belakang 1
1.2 Rumusan Masalah 3
1.3 Batasan Masalah 4
1.4 Tujuan Penelitian 4
1.5 Manfaat Penelitian 4
1.6 Metode Penelitian 4
BAB 2 LANDASAN TEORI
2.1 Usus Besar 6
2.2 Kanker Usus Besar 7
2.2.1 Cara Mendeteksi Kanker Usus 8 2.2.2 Stadium Kanker Usus Besar 9
2.3 Grayscale 12
x
BAB 3 ANALISI DAN PERANCANGAN
3.1 Data yang Digunakan 20
3.2 Analisis 20
3.2.1 Arsitektur Umum 21
3.2.2 Pre-Processing 22
3.2.2.1 Grayscaling 22
3.2.3 Segmentation 23
3.2.4 Feature Extraction 26 3.2.5 Klasifikasi Linear Discriminant Analysis 28 3.3 Rancangan Antarmuka 33 3.3.1 Rancangan Halaman Utama 33
3.3.2 Tampilan Data Training 34
3.3.3 Halaman Pengujian 35
3.3.4 Form GLCM (Gray-Level Co-occurrence Matrix) 36 3.3.5 Form hasil Klasifikasi 37
BAB 4 IMPLEMENTASI DAN PENGUJIAN 4.1 Kebutuhan Aplikasi 37
4.1.1 Perangkat Keras 37
4.1.2 Perangkat Lunak 37
4.2 Implementasi Perancangan AntarMuka 38
4.3 Implementasi Data 45
4.4 Pegujian Sistem 54
BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan 61
5.2 Saran 61 DAFTAR PUSTAKA 62
DAFTAR TABEL
Halaman
Tabel 2.1 Penelitian Terdahulu 18
Tabel 3.1 Nilai Parameter GLCM 28
Tabel 4.1 Data Training 39
Tabel 4.2 Citra Grayscale dan Citra Thresholding 45 Tabel 4.3 Parameter GLCM berdasarkan Citra Colonoscopy 51 Tabel 4.4 Hasil Pengujian Klasifikasi Linear Discriminant Analysis 56
Tabel 4.5 Akurasi Pengujian 59
xii
DAFTAR GAMBAR
Halaman
Gambar 2.1 Penyebaran Kanker Usus 7
Gambar 2.2 Citra Colonoscopy pada Kanker Usus Besar Stadium 0 10 Gambar 2.3 Citra Colonoscopy pada Kanker Usus Besar Stadium 1 10 Gambar 2.4 Citra Colonoscopy pada Kanker Usus Besar Stadium 2 11 Gambar 2.5 Citra Colonoscopy pada Kanker Usus Besar Stadium 3 11 Gambar 2.6 Citra Colonoscopy pada Kanker Usus Besar Stadium 4 12
Gambar 3.1 Arsitektur Umum 21
Gambar 3.2 Citra RGB 22
Gambar 3.3 Citra Grayscale 23
Gambar 3.4 Citra Thresholding 27
Gambar 3.5 Rancangan Halaman Utama 33
Gambar 3.6 Rancangan Data Training 34
Gambar 3.7 Rancangan Data Testing 35
Gambar 3.8 Rancangan Form GLCM 36
Gambar 3.9 Rancangan Hasil Klasifikasi 37
Gambar 4.1 Halaman Utama 38
Gambar 4.2 Halaman Data Training 39
Gambar 4.3 Database pada Data Training 53
Gambar 4.4 Pengujian dengan Grayscale 54
Gambar 4.5 Pengujian dengan Thresholding dan GLCM 55
Gambar 4.6 Hasil Klasifikasi 55
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Kanker usus besar atau disebut kanker kolorektal (colo-rectal carcinoma) 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.
Menurut International Agency for Research on Cancer (2013) penderita kanker usus besar mencapai 1,360,602 (9,7%) dari 14.067.894 penderita kanker di dunia,berdasarkan data tersebut kanker usus besar merupakan kanker terbanyak dan terganas ketiga di dunia.Resiko terjadinya kanker usus besar lebih banyak pada wanita dibandingkan dengan pria.Resiko timbulnya kanker kolon selama hidup adalah 5% dan 6- 8% dari kasus tersebut sebelum usia 40 tahun,sedangkan pada usia 50 tahun resiko terkena kanker usus semakin meningkat.
Kanker kolorektal umumnya ditandai dengan adanya polip pada kolon yang berubah menjadi kanker. Polip dan kanker pada stadium awal terkadang tidak menunjukkan gejala, hal ini membuat penderita kanker kolorektal baru menyadari setelah dilakukannya pemeriksaan untuk pengobatan dan didiagnosis. Pada stadium lanjut kanker kolorektal dapat menyebar ke organ-organ tubuh lainnya. Pemeriksaan dini sangatlah diperlukan dalam upaya pencegahan atau mengetahui tingkat klasifikasi penyakit.
Sehingga kita dapat mengetahui tindakan apa yang harus dilakukan setelah mengetahui tingkat klasifikasi kanker kolorektal yang diderita.
Pemeriksaan kanker kolon dilakukan dengan banyak cara,salah satu nya adalah dengan cara colonoscopy.Colonoscopy digunakan untuk melihat seluruh panjang usus besar dan rektum.Colonoscopy berupa alat yang dimasukkan melalui rektum ke dalam usus
2
stadium diperlukan untuk melakukan tindakan pengobatan. Pengobatan sangatlah tergantung dari lokasi, ukuran, stadium kanker, dan kesehatan umum pasien. Berikut adalah tingkat stadium kanker (National Cancer Institute, 2006) :
1. Stadium 0 (Carsinoma in Situ): kanker hanya pada lapisan terdalam dari kolon atau rektum.
2. Stadium 1: sel kanker telah tumbuh pada dinding dalam kolon atau rektum, tapi belum menembus ke luar dinding.
3. Stadium 2: sel kanker telah menyebar ke dalam lapisan otot dari kolon atau rektum. Tetapi sel kanker di sekitarnya belum menyebar ke kelenjar getah bening.
4. Stadium 3: kanker telah menyebar ke satu atau lebih kelenjar getah bening di daerah tersebut, tetapi tidak ke bagian tubuh yang lain.
5. Stadium 4: kanker telah menyebar di bagian lain dari tubuh, seperti hati, paru- paru, atau tulang.
Penentuan stadium awal kanker kolorektal sangat diperlukan, hal ini mendorong peneliti-peneliti untuk melakukan penelitian,pada tahun 2013 2014 dan 2015 yang dilakukan oleh Aprilianti Z (2013) dan Setianigrum R (2014) dan Ariati S.D (2015) dengan menggunakan objek citra yang berbeda di tahun 2013 Zulfah menggunakan citra mikroskopik menggunakan Contourlet Transform(CT),GLCM dan menggunakan algoritma Support Vector Machine (SVM) yang menghasilkan Klasifikasi kanker usus berdasarkan jenis adinocarcinoma seperti carcinoma dan lymphoma serta pada tahun 2014 dan 2015 Setianigrum dan Ariati menggunakan citra colonoscopy,pada tahun 2014 Setianigrum menggunakan fitur GLCM dan Recurrent Neural Network (RNN) yang menghasilkan 94% tingkat akuransi 100% tingkat sensitivitas,80% tingkat spesificitas sedangkan pada tahun 2015 Ariati menggunakan fitur Neuro fuzzy(NF),Clustering dan fuzzy C-Means yang menghasilkan nilai sensitivitas,spesifisitas dan akuransi masing- masing 98,04%, 94,44% dan 97,10% untuk data training serta 94,12%, 83,33% dan 60,87% untuk data testing.
Pengklasifikasian kanker usus besar sejak awal memungkinkan penyembuhan yang mudah dan murah bagi penderita. Hal ini menuntut paramedic untuk dapat mendiagnosa lebih cepat dan akurat. Saat ini pengklasifikasian kanker usus besar dilakukan dengan cara colonoscopy. Colonoscopy berupa alat yang dimasukkan melalui rektum ke dalam usus besar. Colonoscopy memiliki kamera video di ujung yang terhubung ke display sehingga
dokter dapat melihat dan meneliti bagian dalam usus besar.Dengan cara ini tentu pendiagnosaan sangat berhubungan dengan kualitas penglihatan dan keahlian masing- masing dokter,serta di butuhkan waktu yang lama (George J. Chang). Kesalahan manusia akan sangat mempengaruhi hasil pendiagnosaan.
Oleh karena itu pada tugas akhir “Klasifikasi stadium kanker usus besar berdasarkan citra colonoscopy menggunakan Linear Discriminant Analysis “ ini akan dibuat sebuah program pengklasifikasian kanker berdasarkan stadium pada usus besar,dengan memanfaatkan citra colonoscopy usus besar .Citra colonoscopy tersebut di ubah menjadi grayscale lalu di segmentasi menggunakan otsu thresholding,lalu di ekstraksi ciri dengan GLCM menggunakan 6 fitur(yaitu energi, Sum of Square, Inverse Different Moment (IDM),maksimum probabilitas, homogenitas, dan dissimilarity) dan di klasifikasikan menggunakan Linear Discriminant Analysis,sehingga menghasilkan stadium 0,1,2,3 atau 4.Dengan demikian tuntutan paramedis untuk dapat mengklasifikasi kanker usus besar secara otomatis dan cepat oleh komputer dapat terpenuhi.
1.2 Rumusan Masalah
Kanker usus besar atau disebut kanker kolorektal (colo-rectal carcinoma) merupakan suatu tumor ganas yang ditemukan di colon atau rectum.Colon atau rectum adalah bagian dari usus besar pada sistem pencernaan. Saat ini pengklasifikasian kanker usus besar dilakukan dengan banyak cara,salah satu dengan cara colonoscopy. Colonoscopy berupa alat yang dimasukkan melalui rektum ke dalam usus besar. Colonoscopy memiliki kamera video di ujung yang terhubung ke display sehingga dokter dapat melihat dan meneliti bagian dalam usus besar.Dengan cara ini tentu pendiagnosaan sangat berhubungan dengan kualitas penglihatan dan keahlian masing-masing dokter,serta di butuhkan waktu yang lama (George J. Chang).Kesalahan manusia akan sangat mempengaruhi hasil pengklasifikasia.Oleh karena itu perlu dibuat suatu sistem yang dapat mengklasifikasikan jenis kanker usus besar berdasarkan stadium 0,1,2,3 atau 4.
4
3. Metode yang digunakan Linear Discriminant Analysis
4. Klasifikasi yang dihasilkan hanya berupa stadium 0,1,2,3 dan 4 5. Tidak membandingkan akuransi program.
1.4 Tujuan Penelitian
Tujuan dari penelitian adalah mengklasifikasikan penyakit kanker usus besar berdasarkan citra colonoscopy menggunakan Linear Discriminant Analysis.
1.5 Manfaat Penelitian
1. Membantu user (pakar/dokter) dalam mendeteksi kanker usus berdasarkan stadium 0,1,2,3 dan 4 berdasarkan citra colonoscopy.
2. Dapat menjadi bahan pembelajaran untuk pembaca dan menjadi referensi untuk penelitian selanjutnya
1.6 Metode Penelitian
Tahapan-tahapan yang akan dilakukan dalam penelitian ini adalah sebagai berikut : 1. Studi Literatur
Tahap studi literatur ini dilaksanakan untuk mengumpulkan dan mempelajari informasi yang diperoleh dari buku, jurnal, skripsi dan berbagai sumber referensi lain yang berkaitan dan mendukung penelitian mengenai klasifikasi kanker usus ini.
2. Analisis Permasalahan
Pada tahap ini dilakukan analisis terhadap berbagai informasi yang telah diperoleh dari berbagai sumber yang terkait dengan penelitian agar didapatkan metode yang tepat untuk menyelesaikan masalah dalam penelitian ini.
3. Perancangan Sistem
Pada tahap ini dilakukan perancangan sistem untuk menyelesaikan permasalahan yang terdapat di dalam tahap analisis.
Dalam program yang akan dibangunterdiri atas lima langkah,yaitu:
1. Proses Grayscale,yaitu proses yang dilakukan untuk mengubah citra rgb menjadi grayscale.
2. Proses Thresholding,yaitu proses yang dilakukan untuk melakukan segmentasi citra.
3. Proses converting dari citra Thresholding menjadi citra grayscale kembali.
4. Proses Graphic Level Co-occurrence Matrix(GLCM),yaitu proses yang dilakukan untuk mengekstrak citra.Proses GLCM yang digunakan dalam analis citra.Paramater dasar itu berupa energi,kontras,korelasi,Sum of Squere,Inverse Different Moment (IDM),sum average,sum varience,sum entropy,entropy,differential variance,different entropy,maksimum probabilitas,homogenitas dan dissimilarity.
5. Proses Klasifikasi menggunakan Linear Discriminant Analysis untuk menghasilkan stadium 0,1,2,3 dan 4.
BAB 2
LANDASAN TEORI
2.1 USUS BESAR
Usus besar atau kolon dalam anatomi adalah bagian usus antara usus buntu dan rektum.
Fungsi utama organ ini adalah menyerap air dari feses. Pada mamalia, kolon terdiri dari kolon menanjak (ascending), kolon melintang (transverse), kolon menurun (descending), kolon sigmoid, dan rektum. Bagian kolon dari usus buntu hingga pertengahan kolon melintang sering disebut dengan “kolon kanan”, sedangkan bagian sisanya sering disebut dengan “kolon kiri”.
Usus besar (colon) merupakan kelanjutan dari usus halus dalam sistem pencernaan manusia. Setelah sebagian besar nutrisi makanan diserap oleh usus halus, sisa makanan akan masuk ke usus besar untuk diproses lebih lanjut. Usus besar manusia berukuran lebih pendek dari usus halus dengan panjang sekitar 1,5 m. Usus besar berfungsi dalam penyerapan sebagian nutrisi, air, dan memadatkan feses agar mudah dikeluarkan dari dalam tubuh. Usus besar manusia tersusun atas empat lapis jaringan yaitu mukosa, submukosa, muskularis propria, dan serosa.
Fungsi usus besar pada manusia adalah untuk menyimpan dan mengeliminasi sisa makanan,menjaga keseimbangan cairan dan elektrolit dengan cara menyerap air dan untuk mendegradasi bakteri.
2.2 Kanker Usus Besar
Kanker usus besar disebut juga dengan kanker kolon. Kanker ini berada di bawah pencernaan manusia. Kanker usus besar jika sudah menyebar bisa disebut juga dengan kanker rektum. Kanker rektum adalah kanker yang berada di organ beberapa inci dari usus besar. Kanker usus besar dan kanker rektum disebut dengan kanker kolorektal.
Kanker kolorektal (colo-rectal carcinoma) atau disebut kanker usus besar adalah kanker yang terjadi ketika sel-sel abnormal tumbuh pada lapisan kolon atau rektum.Gejala adanya kanker pada kolon biasanya ditandai dengan adanya polip yang memiliki resiko kanker.Sekitar 96% penyebab kanker kolerektal adalah adenocarcinomas yang berkembang dari jaringan kelenjar (Alteri,et al, 2011).
Kanker usus merupakan pertumbuhan sel yang abnormal dan tidak bisa dibatasi penyebarannya yang terjadi pada usus dan pada stadium lanjut dapat bermetastase pada daerah disekitar usus (Dalimartha, 2004). Kurang optimalnya penatalaksanaan medis pada kanker usus akan berdampak pada jangka panjang yaitu kekambuhan yang lebih parah.
Bahkan sel-sel kanker akan bermetastase ke bagian yang lebih luas (Margaretha, 2006).
Gambar 2.1 Penyebaran Kanker Usus (Sumber : St. Stamford Modern Cancer Hospital Guangzhou)
8
2.2.1 Cara Mendetektsi Kanker Usus
Terdapat berbagai macam cara untuk mendeteksi kanker kolorektal pada pasien,diantaranya(American Cancer Society,2011):
a. Screening
Screening kanker kolorektal adalah proses mencari sel kanker atau pra- kanker pada orang yang tidak memiliki gejala penyakit. Dari waktu sel-sel abnormal pertama mulai tumbuh menjadi polip,biasanya membutuhkan waktu sekitar 10 sampai 15 tahun polip tersebut berkembang menjadi kanker kolorektal.Screening yang dilakukan secara rutin dapat mencegah kanker kolorektal.Hal ini dikarenakan polip yang ditemukan dapat disembuhkan dan dihilangkan sebelum berubah menjadi sel kanker.
b. Flekxible Sigmoidoscopy
Proses ini dilakukan dengan melihat salah satu bagian dari usus besar dan rektum dengan sigmoisoscopy fleksibel,alat ini memiliki lampu pada tabung yang berukuran setebal jari dengan kamera kecil pada ujung alat.Alat ini dimasukkan melalui rektum an bagian bawah usus besar.
c. Double Contrast Barium Enema(DCBE)
Pendeteksi kanker menggunakan DCBE ini menggunakan barium dengan kontras udara. Barium sulfat merupakan cairan berkapur dan udara digunakan untuk menguraikan bagian dalam usus besar dan rektum untuk mencari daerah yang mengandung sel abnormal.
d. Ct-Scan (Virtual Colonoscopy)
CT scan adalah sinar X yang menghasilkan gambar penampang rinci tubuh.Jika pada sinar CX,gambar yang diambil hanya satu arah.Pada CT- scan,terdapat banyak gambar yang dapat diambil dari berbagai arah.
e. Colonoscopy
Colonoscopy dapat melihat seluruh panjang usus besar dan rektum.
Colonoscopy beruapa alat yang dimasukkan melalui rektum ke dalam usus besar. Colonoscopy memeiliki kamera video di ujung yang terhubung ke
display sehingga dokter dapat melihat dan meneliti bagian dalam usus besar.
f. Tes Darah Tinja
Tes ini untuk mencari darah samar (darah yang tidak dapat dilihat dengan mata telanjang) dalam tinja.Test ini dilakukan karena jika seseorang terkena polip atau kanker kolorektal maka pembuluh darah di permukaan sering rapuh dan mudah rusak oleh berlalunya feses.
g. Carcinoembryonic Antigen(CEA)
CEA adalah zat yang ditemukan dalam darah beberapa orang yang sudah terkena kanker kolorektal.CEA digunakan untuk mengetahui perkembangan penyakit sebelum pengobatan dimulai.
2.2.2 Stadium Kanker Usus Besar
Penyebab Kanker di kolon atau rektum.Pada saat stage 0 atau normal tidak ditemukan adanya kanker yang tumbuh pada kolon atau rektum.Kanker tumbuh di usus besar melalui lapisan dan menembus lapisan dinding usus besar atau rektum.Kanker yang telah menembus dinding juga dapat menembus darah atau kelenjar getah bening (lymph node), yang merupakan saluran tipis.Pada umumnya,sel-sel kanker pertama kali menyebar ke kelenjar getah bening di dekat sel kanker tersebut,kelenjar getah bening memiliki struktur seperti kacang yang membantu melawan infeksi.sel-sel kanker itu dapat dibawa oleh pembuluh darah (blood vessel) ke hati,paru-paru,rongga perut,atau ovarium.Proses dimana sel-sel kanker menyebar ke organ lain melalui pembuluh darah disebut metastasis (Alteri,el al,2011).Berikut adalah tingkat stadium kanker usus berdasarkan National Cancer Institute,2006:
10
- Kanker Usus Stadium 0
Gambar 2.2 Citra colonoscopy pada kanker kolorektal stadium 0
Stadium kanker usus dimulai dari angka 0, berbeda dengan kanker lainnya yang dimulai dengan tahap 1. Dalam tahap 0 dikenal juga dengan karsinoma. Penyakit kanker usus besar dalam stadium 0 sel kanker hanya berada di dalam lapisan usus besar atau di rektum saja.
- Kanker Usus Stadium 1
Gambar 2.3 Citra colonoscopy pada kanker kolorektal stadium 1
Dalam tahapan kanker usus stadium 1, sel kanker telah tumbuh di dinding usus namun belum menyebar ke lapisan luar dinding usus.
- Kanker Usus Stadium 2
Gambar 2.4 Citra colonoscopy pada kanker kolorektal stadium 2
Dalam tahap stadium 2 sel kanker telah menyebar ke lapisan luar dari otot dan juga dinding usus besar. Untuk tahap 2C sel kanker juga telah menyebar ke jaringan terdekat di usus besar. Sel tersebut belum menyebar ke kelenjar getah bening
- Kanker Usus Stadium 3
Gambar 2.5 Citra colonoscopy pada kanker kolorektal stadium 3
Dalam stadium 3 ini penyakit kanker usus besar sudah memasuki tahap lanjut. Jika stadium 2C sel kanker telah menyebar ke jaringan terdekat usus besar dan juga rektum. Stadium 3 ini sel kanker sudah menyebar ke kelenjar getah bening.
- Kanker Usus stadium 4
12
Gambar 2.6 Citra colonoscopy pada kanker kolorektal stadium 4
Jika sudah memasuki stadium 4, penyakit kanker usus bisa disebut dengan tahap akut. Penyebarannya sudah sampai ke organ-organ vital di dalam tubuh misalnya saja hati, paru-paru dan juga ovarium atau indung telur.
2.3 Grayscale
Grayscale adalah berbagai nuansa warna monokromatik dari hitam menjadi putih. Oleh karena itu, gambar grayscale hanya memiliki warna abu-abu dan tidak berwarna.Sebuah gambar digital dapat disimpan sebagai grayscale (hitam dan putih), bahkan gambar berwarna berisi informasi grayscale.
Hal ini karena setiap pixel memiliki nilai luminance, terlepas dari warna.
Luminance juga dapat digambarkan sebagai kecerahan atau intensitas, yang dapat diukur pada skala dari hitam (nol intensitas) ke putih (intensitas penuh). Kebanyakan format file gambar mendukung minimal 8-bit grayscale, yang menyediakan atau level pencahayaan 256 per pixel. Beberapa format mendukung 16-bit grayscale, yang menyediakan atau level pencahayaan 65.536.
Banyak program editing gambar memungkinkan Anda untuk mengkonversi gambar warna menjadi hitam dan putih, atau grayscale. Proses ini akan menghapus semua informasi warna, hanya menyisakan luminance dari setiap pixel. Sejak gambar digital ditampilkan menggunakan kombinasi merah,hijau, dan biru (RGB), setiap pixel memiliki tiga nilai luminance terpisah. Oleh karena itu, tiga nilai-nilai ini harus digabungkan menjadi satu nilai saat melepas warna dari sebuah gambar. Ada beberapa cara untuk melakukan hal ini. Salah satu pilihan adalah untuk rata-rata semua nilai luminance untuk setiap pixel. Metode lain melibatkan hanya menjaga nilai-nilai luminance dari saluran merah, hijau, atau biru. Beberapa program memberikan algoritma konversi grayscale custom lain yang memungkinkan untuk menghasilkan gambar hitam dan putih dengan gaya yang anda sukai.
2.4 Otsu Thresholding
Segmentation terdiri atas 6 cara yaitu : Thresholding (Thresholding prosesnya didasarkan pada perbedaan derajat keabuan citra. Dalam proses ini dibutuhkan suatu nilai batas (nilai threshold)), Active Contour (metode yang menggunakan model kurva tertutup yang dapat bergerak melebar ataupun menyempit.) , Segmentasi warna berdasarkan komponen Hue ( yang memisahkan antara objek dengan background berdasarkan ciri warna tertentu dari objek tersebut dengan mengkonversi ruang warna citra yang semula RGB menjadi ruang warna HSV (Hue, Saturation, Value)), Deteksi Tepi,( Penentuan tepian objek bertujuan untuk mengenali objek-objek yang terdapat dalam citra.) , Watershed ( metode yang membagi citra menjadi region yang berbeda dengan menggambarkan citra sebagai relief topografi), Transformasi Hough ( untuk mendeteksi garis lurus). Dalam system ini menggunakan Otsu Thresholding. Otsu Thresholding merupakan salah satu metode untuk mensegmentasi (merubah citra digital warna abu-abu menjadi hitam putih berdasarkan perbandingan nilai threshold dengan nilai warna pixel citra digital) citra digital. Threshold metode OTSU diperkenalkan oleh Nobuyuki Otsu dalam tulisannya A Threshold Selection Method dari Gray-Level Histogram. Threshold metode OTSU melakukan penyeleksian nilai threshold dari histogram citra abu-abu. Metode penyeleksian nilai threshold dilakukan dengan memakai pendekatan statistika. Nilai threshold dipilih dari nilai warna keabuan yang terletak pada interval histogram dimana nilai warna keabuan tersebut memaksimalkan nilai fungsi .
2.5 GLCM (Gray-Level Co-occurence Matrix)
Metode GLCM termasuk dalam metode statistik dimana dalam perhitungan statistiknya menggunakan distribusi derajat keabuan (histogram) dengan mengukur tingkat kekontrasan, granularitas, dan kekasaran suatu daerah dari hubungan ketetanggaan antar piksel di dalam citra. Paradigma statistik ini penggunaannya tidak terbatas, sehingga sesuai untuk tekstur-tekstur alami yang tidak terstruktur dari sub pola dan himpunan aturan (mikrostruktur). Metode statistik terdiri dari ekstraksi ciri orde pertama dan ekstraksi ciri orde kedua. Ekstraksi ciri orde pertama dilakukan melalui histogram citra sedangkan
14
Terdapat banyak teknik-teknik dalam mengekstrak gambar. Salah satunya adalah dengan menggunakan metode Gray Level Co-occurence Matrix (GLCM). Proses GLCM akan menghasilkan parameter yang digunakan dalam analisis citra. Parameter dasar itu berupa energi, kontras, korelasi, Sum of Square, Inverse Different Moment (IDM), sum average, sum variance, sum entropy, entropy, differential variance, differential entropy, maksimum probabilitas, homogenitas, dissimilarity, dan lainnya.
a. Energi
Energi disebut juga Angular Second Moment (ASM) menunjukkan ukuran sifat homogenitas pada citra digital (Aditya at,al). Rumus untuk mencari energi (ASM) adalah :
ASM = (2.1) Dengan :
= Banyak tingkat abu-abu dari citra
g(i,j) = Piksel di lokasi baris ke-i dan kolom ke-j Asm = Energi
b. Sum of Squares (Variance)
Menunjukkan variasi elemen-elemen matriks coocurance. Rumus untuk menghitung variance (VAR) pada citra digital adalah (Haralick at,al) :
VAR = (2.2) Dengan :
µ = nilai rata-rata energy
c. Inverse Difference Moment (IDM)
Inverse Difference Moment (IDM) atau homogenitas lokal adalah tingkat kehomogenan citra yang berderajat keabuan sejenis. Rumus IDM suatu gambar adalah (Mohanaiah at,al) :
IDM = (2.3)
d. Maksimum Probabilitas
Maksimun probabilitas menunjukkan derajat keabuan yang memenuhi relasi pada persamaan entropy. Rumus untuk menghitung maksimum probabilitas (MP) adalah (Anami & Vishwanath) :
MP = (2.4)
e. Homogenitas
Secara matematis, homogenitas pada GLCM adalah invers dari kontras pada GLCM, yaitu keseragaman intensitas keabuan pada citra. Rumus untuk mencari homogenitas (H) suatu gambar adalah (Sharma & Sourabh):
H = (2.5)
f. Dissimilarity
Dissimilarity menunjukkan perbedaan tiap piksel. Rumus untuk menghitung dissimilarity (D) adalah (Anami & Vishwanath) :
D = (2.6)
2.6 Linear Discriminant Analysis
Linear discriminant analysis (LDA) adalah salah satu metode yang dipakai pada statistik , pengenalan pola secara umum untuk menemukan kombinasi linier dari fitur yang menjadi ciri atau memisahkan dua atau lebih kelas objek atau peristiwa. Kombinasi yang dihasilkan dapat digunakan sebagai pengklasifikasi linear. Tujuan Analisis diskriminan adalah untuk mengklasifikasikan objek ke salah satu dari dua atau lebih kelompok berdasarkan
16
LDA berkaitan erat dengan ANOVA (analysis of variance) dan analisis regresi,yang juga di mana varians diamati dalam variabel tertentu dibagi menjadi komponen yang timbul dari sumber yang berbeda variasi. LDA mencoba untuk mengekspresikan satu variabel dependen sebagai kombinasi linier dari fitur-fitur lainnya dalam pengukuran. Dalam dua metode lain variabel terikat adalah kuantitas numerik, sedangkan untuk LDA itu adalah kategoris variabel ( yaitu label kelas). Regresi logistik dan regresi probit lebih mirip dengan LDA, karena mereka juga menjelaskan variabel kategoris. Metode-metode lain yang lebih baik dalam aplikasi di mana sangat sulit untuk mengasumsikan bahwa variabel independen yang terdistribusi normal, merupakan asumsi dasar dari metode LDA. LDA juga erat kaitannya dengan analisis komponen utama (PCA) dan analisis faktor dalam bahwa mereka berdua mencari kombinasi linier dari variabel yang terbaik menjelaskan data. LDA eksplisit mencoba untuk memodelkan perbedaan antara kelas-kelas data. PCA di sisi lain tidak memperhitungkan perbedaan dalam kelas, dan analisis faktor membangun kombinasi fitur tersebut didasarkan pada perbedaan dan bukan kesamaan. Analisis diskriminan juga berbeda dari analisis faktor bahwa bukan teknik saling ketergantungan perbedaan antara variabel independen dan variabel dependen (juga disebut variabel kriteria) harus dibuat.LDA bekerja ketika pengukuran dilakukan pada variabel independen untuk pengamatan masing-masing kuantitas yang kontinu.
Ketika berhadapan dengan variabel independen kategoris, teknik setara adalah diskriminan analisis korespondensi.
Tujuan metode LDA adalah mencari proyeksi linier (yang biasa disebut dengan
„fisherimage‟) untuk memaksimumkan matriks kovarian antar kelas (between-class covariance matrix) sekaligus meminimumkan matriks kovarian dalam kelas (within- class covariance matrix), agar anggota di dalam kelas lebih terkumpul penyebarannya dan pada akhirnya dapat meningkatkan keberhasilan pengenalan. Matriks kovarian dalam kelas (WS) dan matriks kovarian antar kelas (BS).
2.7 Proses Menghitung Akuransi
Akurasi menunjukkan kedekatan hasil pengukuran dengan nilai sesungguhnya. Akurasi 100% berarti bahwa hasil klasifikasi sama persis dengan data sesungguhnya. Semakin tinggi akurasi maka tes semakin baik. Akurasi dirumuskan dengan (Sharma &
Sourabh) :
Akurasi = x 100% (2.7) Dimana :
TP : True Positif TN : True Negatif FP : False Positif FN : False Negatif
2.8 Penetian terdahulu
Chintia Eka Yuliana, Achmad Rizal, Gelar Budiman (2012) melakukan penelitian ini menggunakan Linear Predictive, Linear Discriminant Analysis dan Short Time Fourier Transform yang bertujuan mengklasfikasi paru-paru manusia menjadi bronchial, bronchovesikular, vesicular, tracheal, asthma, coarse crackle, fine crackle, grunting dan wheeze dengan berdasarkan suara paru-parunya.
Untuk klasfikasi kanker usus besar sudah pernah dilakukan pada tahun 2013 2014 dan 2015 yang dilakukan oleh Zulfah Aprilianti T (2013) dan Reni Setianigrum (2014) dan Sinta Deni Ariati (2015) dengan menggunakan objek citra yang berbeda di tahun 2013 Zulfah menggunakan citra mikroskopik menggunakan Contourlet Transform(CT),GLCM dan menggunakan algoritma Support Vector Machine (SVM) yang menghasilkan Klasifikasi kanker usus berdasarkan jenis adinocarcinoma seperti carcinoma dan lymphoma serta pada tahun 2014 dan 2015 Reni dan Shinta menggunakan citra colonoscopy,pada tahun 2014 Reni menggunakan fitur GLCM dan Recurrent Neural Network (RNN) yang menghasilkan 94% tingkat akuransi 100% tingkat sensitivitas,80%
tingkat spesificitas sedangkan pada tahun 2015 Shinta menggunakan fitur Neuro fuzzy(NF),Clustering dan fuzzy C-Means yang menghasilkan nilai sensitivitas,spesifisitas dan akuransi masing-masing 98,04% , 94,44% dan 97,10% untuk data training serta 94,12%, 83,33% dan 60,87% untuk data testing.
18
Pada tahun 2017 dilakukan penelitian oleh Erna Budhiarti Nababan, Romi Fadillah Rahmat,Muhammad Iqbal(2017)melakukan penelitian menggunakan citra momogram dengan fitur Evolving connectionist systems,Contrast Limited Adaptive Histogram Equality (CLAHE) serta Gray-Level Co-occurrence matrix (GLCM) yang menghasilkan identifikasi dan klasifikasi kanker payudara berdasarkan tiga kategori yaitu:normal,jinak dan ganas.
Tabel 2.1 Penelitian terdahulu
Penulis Metode Hasil
Yuliana C E ,Rizal A, Budiman G
(2012)
-Linear Predictive
-Linear Discriminant Analysis
-Short Time Fourier Transform
LDA mampu memperoleh akuransi data sebesar 93,33% dengan Sembilan kelas data
suara paru manusia yaitu
bronchial,bronchovesikular,vesicular,tracheal, asthma,coarse crackle,fine crackle,grunting dan wheeze
Aprilianti Z (2013)
-Contourlet Transform(CT) -Gray-level co-occurrence matrix(GLCM)
-Support Vector Machine (SVM)
Klasifikasi kanker usus berdasarkan jenis adinocarcinoma seperti carcinoma dan lymphoma
Setianigrum R
(2014)
-GLCM
-Recurrent Neural Network (RNN)
74 data training didapat 92% tingkat akuransi,96% tingkat sensitivitas sebagai indikator yang diandalkan ketika hasil menunjukkan kanker kolerektal dan 79%
tingkat spesificitas sebagai indikator yang baik ketika menunjukkan kolorektal normal,sedangkan pada 18 data testing menunjukkan 94% tingkat akuransi 100%
tingkat sensitivitas,80% tingkat spesificitas Ariati S. D
(2015)
-Neuro fuzzy(NF) -Clustering -fuzzy C-Means
Model NF berbasis GUI untuk klasifikasi stadium kanker kolorektal menghasilkan nilai sensitivitas,spesifisitas dan akuransi masing-
masing 98,04%,94,44% dan 97,10% untuk data training serta 94,12%,83,33% dan 60,87% untuk data testing
Kai S (2015)
Pola aktivitas Gen Mengidentifikasi berdasarkan gen penyakit berdasarkan pola aktivitas gen
Nababan.E B,Rahmat R.F,Iqbal M (2017)
-Evolving connectionist systems
-Contrast Limited Adaptive Histogram Equality (CLAHE)
-Gray-Level Co-occurrence matrix (GLCM)
Mengidentifikasi dan melakukan mengklasifikasi kanker payudara berdasarkan citra momogram menggunakan Evolving connectionist systems sehingga menjadi tiga ketegori,
yaitu:normal,jinak dan ganas
Perbedaan dengan penelitian sebelumnya :
Penelitian-penelitian sebelumnya,meneliti klasifikasi kanker kolorektal berupa ada tidaknya sel kanker pada pasien,jenis kanker kolorektal,dan kematian yang disebabkan oleh kanker kolorektal.Terdapat beberapa model klasifikasi yang digunakan,yaitu analisis diskriminant,regresi logistic,support vactor machine dan recurrent neural network. Pada tahun 2014 Reni Setianigrum melakukan penelitian dengan judul Klasifikasi stadium kanker kolorektal menggunakan model recurrent neural network.Reni melakukan penelitian dengan mengubah citra red green blue (RGB) ke citra grayscale lalu melakukan klasifikasi menggunakan Recurrent Neural Network yang di desain menggunakan Graphical User Interface(GUI) dengan Matlab R2009a.Sedangkan pada skripsi ini penulis menggunakan Otsu pada image segmentation,GLCM pada feature extraction dan pada classification menggunakan linear discriminant analysis menggunakan bahasa c# dengan Visual Studio 2017.
BAB 3
ANALISIS DAN PERANCANGAN
3.1 Data yang Digunakan
Data yang digunakan dalam penelitian ini merupakan citra colonoscopy yang diperoleh dari EndoskopieAtlas,Albertinen-Krankenhaus sebanyak 55 Citra Colonoscopy,55 citra tersebut terdiri atas 10 citra pada stadium 0, 11 citra pada stadium 1, 12 citra pada stadium 2, 9 citra pada stadium 3 dan 13 citra pada stadium 4.
Citra colonoscopy yang diperoleh EndoskopieAtlas,Albertinen-Krankenhaus (55 Citra Colonoscopy) kemudian di analisis berdasarkan Vision and Image Analysis Group,Cornell Univerisity untuk melihat perkembangan Stadium serta data di peroleh dari The Cancer Imaging Archive (TCIA) public Access untuk menganalisis stadium.
Berdasarkan data tersebut data yang digunakan pada penelitian ini terbagi atas 75% data training dan 25% data testing.
3.2 Analisis
Pada tahap analisis akan dilakukan analisis terhadap proses image processing yang dimulai dari input citra rgb yang telah dilakukan cropping secara manual diubah menjadi citra grayscale lalu dilakukan proses segmentasi menggunakan otsu thresholding sehingga menghasilkan citra biner.
Citra biner yang dihasilkan pada otsu thresholding diproses kedalam GLCM lalu diklasifikasi menggunakan algoritma Linear Discriminant Analysis,sehingga dihasilkan klasifikasi kanker usus besar menjadi stadium 0,1,2,3 dan 4.
3.2.1 Arsitektur Umum
Traning Data
Testing Data
Citra Colonoscopy
Cropping
Grayscaling Pre-Processing
Segmentation
Otshu Thresholding
Feature Extraction
Gray-Level Co- occurrence matrix
(GLCM)
Clasification Linear Discriminant Analysis
OUTPUT
Hasil Klasifikasi kanker usus besar stadium 0,1,2,3 atau 4
23
3.2.2 Pre-Processing
Pada tahap pre-processing, dilakukan beberapa tahapan untuk menghasilkan citra yang lebih baik untuk diproses pada tahap selanjutnya. Tahapan pre-pocessing adalah cropping dan grayscale.Dalam penelitian ini proses cropping dilakukan secara manual karena image colonoscopy yang digunakan pada penilitian ini memiliki ukuran yang berbeda sehingga jika dilakukan proses cropping bisa terjadi kemungkinan gambar terpotong pada ukuran yang berbeda sehingga terjadi perbedaan klasifikasi dengan stadium yang seharusnya.
3.2.2.1 Grayscaling
Pada proses ini, potongan citra berwarna(RGB) akan diubah menjadi citra abu- abu(grayscale).Transformasi citra kebentuk grayscale dilakukan dengan mengambil pixel dari suatu citra yang kemudian dihitung dengan menggunakan persamaan berikut:
Grayscale = 0,21R + 0,71G+ 0,07B (3.1) Contoh perhitungan konversi citra rgb ke dalam grayscale :
Gambar 3.2 Citra RGB
Gambar di atas merupakan citra rgb dengan ukuran 248 X 148 dengan nilai Red 191, Green 114 dan Blue 84, lalu citra tersebut diubah kedalam grayscale dengan persamaan :
Grayscale = 0,21R + 0,71G+ 0,07B
Grayscale = 0,21(191) + 0,71 (114) + 0,07 (84) Grayscale = 40,11 + 80,94 + 5,88
Grayscale = 126,93
Sehingga citra rgb di atas menjadi citra grayscale seperti ini:
Gambar 3.3 Citra Grayscale 3.2.3 Segmentation
Pada penelitian ini proses segmentasi menggunakan Otsu Thresholding.Tujuan Otsu Thresholding adalah membagi histogram citra gray level kedalam dua daerah yang berbeda secara otomatis tanpa membutuhkan bantuan user untuk memasukkan nilai ambang.Pendekatan yang dilakukan oleh metode otsu adalah dengan melakukan analisis diskriminan yaitu menentukan suatu variabel yang dapat membedakan antara dua atau lebih kelompok yang muncul secara alami. Analisis Diskriminan akan memaksimumkan variable tersebut agar dapat membagi objek latar depan (foreground) dan latar belakang (background).
Berikut ini merupakan langkah-langkah untuk menghitung nilai Otsu Thresholing dengan menggunakan citra grayscale pada gambar 3.2 :
1. Hitung histogram ternormalisasi dari citra. Simbolkan histogram tersebut sebagai , i=0,1,2.... L-1.
(3.2)
Dengan adalah jumlah piksel pada tiap intensitas dan MN adalah jumlah semua mulai dari sampai .
2. Hitung jumlah kumulatif (cumulative sum) dari, (k), untuk k=0,1,2...L-1 dengan menggunakan rumus
25
(3.5)
5. Hitung varians antar kelas (between-class variance), untuk k=0,1,2 ... L-1 dengan menggunakan rumus
(3.6)
6. Memilih nilai threshold k∗yang merupakan indeks dimana nilai varians antar kelas maksimum, ( max.Jika ternyata terdapat lebih dari satu nilai k∗ maka gunakan nilai rata-rata untuk mendapatkan nilai threshold.
7. Hitunglah separability measurement, ∗ pada k=k∗ dengan menggunakan rumus
(3.7)
Sedangkan ,
(3.8) Perlu diingat kembali bahwa nilai k adalah pada saat (k) maksimum.Berdasarkan persamaan diatas maka didapatkan nilai ambang batas dan juga nilai threshold maka digunakan untuk segmentasi citra.Teknik segementasi yang digunakan adalah :
1 if f(x,y) >k*
g(x,y) = (3.9)
0 if f(x,y) ≤ k*
Hasil segmentasi adalah citra biner yang memiliki nilai intestitas hanya 0 dan 1.Nilai intensitas 0 menyatakan warna hitam(dianggap beckground) sedangkan nilai intenstitas 1 menyatakan warna putih (dianggap foreground atau objek).
Berdasarkan persamaan diatas maka nilai thesholding berdasarkan gambar 3.2 adalah 88 maka perhitungannya seperti berikut ini:
40 160 69 170 123 20 250 140 80 90 70 30 128 115 85 140 234 70 221 125 20 34 80 221 30
Nilai 40< 88 menjadi nol,sedangkan nilai 88>255 merupakan satu,maka perhitungan diatas menjadi
0 1 0 1 1
0 1 1 0 1
1 1 0 1 0
1 1 0 1 1
0 0 0 1 0
Sehingga menghasilkan citra Otsu Thresholding pada gambar 3.3
Gambar 3.4 Citra Thresholding 3.2.4 Feature Extraction
Setelah dilakukan pengubahan gambar dengan citra rgb ke citra grayscale dilakukan thresholding pada poses segmentasi,maka dilakukan converting kembali dari citra thresholding menjadi citra grayscale kembali,karena pada citra thresholding merupakan citra Gray-Level Histogram sedangkan pada GLCM citra yang digunakan merupakan cooccurance matrix,maka citra perlu di convert kembali menjadi graycale,lalu di lakukan ekstraksi fitur dengan Gray level Cooccurace Matrix(GLCM).Proses GLCM adalah metode pengekstrak gambar pada orde kedua dalam analisis statistika gambar, hal ini berarti GLCM dapat bekerja pada matriks dua dimensi.
Proses GLCM mengkonversi gambar ke fitur Grayscale, fitur ini didapat dari rata-rata intensitas warna pada fitur RGB. Proses GLCM akan menghasilkan variabel yang nantinya digunakan sebagai input dalam proses klasifikasi.
27
hasil ekstraksi yang merupakan variabel yang dominan dalam klasifikasi menggunakan foto hasil colonoscopy, yaitu:
1) ASM (Energi)
2) VAR (Sum of Squares)
3) IDM (Inverse Difference Moment (IDM)) 4) MP (Maksimum Probabilitas)
5) H (Homogenitas) 6) D (Dissimilarity)
Berikut ini merupakan contoh menggunakan tujuh citra colonoscopy yang terdapat dalam citra training dalam program ini,hasil ekstraksi fitur dengan menggunakan enam parameter di atas :
Tabel 3.1 Nilai parameter GLCM
Stadium ASM VAR IDM MP H D
Stadium 0
48798 1833269363123 435,4369 1 435,4369 7647500 Stadium
0
63000 397334830539861 331,8002
`
1 331,8002
`
11832043 Stadium
1
81431 559468339889103 645,089 1 645,089 11669775 Stadium
1
94393 896886209464604 870,468 1 870,468 11385910 Stadium
2
18764 10332287490377, 1
267,4928 1 267,4928 1480240 Stadium
3
83277 663518170719550 691,1577 1 691,1577 10401839 Stadium
4
128434 3,3918824319173 6E+15
985,8183 1 985,8183 17255142
3.2.5 Klasifikasi Linear Discriminant Analysis
Setelah di dapat nilai fitur pada proses ekstraki fitur menggunakan GLCM,tahapan berikutnya yaitu proses klasifikasi citra menggunakan metode Linear Dicriminant Analysis.Langkah-langkah membuat klasifikasi dengan Linear Discriminant Analysis pada tugas akhir ini adalah :
1. Terdiri dari 6 fitur dataset sebagai input yang dilambang pada (x) yaitu:
1. ASM (energi)
2. VAR (sum of squares)
3. IDM (inverse difference moment ) 4. MP (maksimum probabilitas) 5. H (homogenitas)
6. D (dissimilarity)
2. Dibagi menjadi 5 kelas output,kelas dilambang dengan Stadium ( Stadium 1( Stadium 2( Stadium 3( dan Stadium 4(
3. Lalu dataset yang dilambangkan pada x akan di dalam data matriks,data matriks di lambangkan dengan X.X berisi (NxM),dalam hal ini N merupakan jumlah citra yang akan diproses sedangkan M merupakan dataset fitur yang dilambang kan dengan x,lalu data X yang akan dikelompokan berdasarkan kelas antar stadium dari Y.
X= Y= (3.10)
4. Dari data yang sudah di testing pada data testing akan dicari mean dari tiap kelas dalam hal sistem ini class dibagi menjadi lima yaitu,stadium 0,1,2,3 dan 4 dan setiap kelas di lambangkan dengan
,
(3.11)
5. Selanjutnya akan dicari covariance tiap kelas ( ) untuk kelas 1 dan
29
= -µ)( -µ
(3.12) 7. Dan akan ketemu nilai (Sw) Scatter Within Class denganmenjumlahkan kedua covariance tersebut.
= -
(3.13) 8. Kemudian akan dilakukan proses perhitungan untuk mencari eigenvalue dan eigen vector image.
(3.14) Dimana:
A merupakan matriks λ merupakan eigen x merupakan vektor
9. Setelah mendapatkan eigen value dan eigen vector akan dapat melakukan proses ekstraksi fitur dari tiap tiap image.
10. Hasil Ekstraksi tersebut akan dilakukan pencarian jarak terdekat dengan Euclidean dan menghasilkan klasikasi dengan Linear disciminant Analysis
(3.15) Berikut ini merupakan contoh pengklasifikasian berdasarkan persamaan diatas :
1. Terdapat w kelas berbeda dengan dan dengan ( =5) dan ( =6) dan M=2 dengan :
= =
2. Berdasarkan data diatas maka terdapat =[3 3,6] , =[4,67 2] dan µ=[
3. Berdasarkan data tersebut maka dihitung between class varience ( setiap kelas dengan (2x2) dan total between class variance (2x2) untuk :
=n1(μ1 − μ)T (μ1 − μ)
=
Selanjutnya untuk dilakukan cara seperti diatas sehingga menghasilkan :
= Maka :
= + =
4. Langkah selanjutnya mencari nilai
, ,berdasarkan persamaan 3.13 maka
nilai:
= , = dan
=
5. Selanjutnya ubah matriks (W) dalam class dengan menggunakan persamaan berikut ini :
W= S ,maka nilai S =
dan W=
6. Selanjutnya mencari nilai eigen values dan eigen vector berdasarkan persamaan 3.14 maka:
31
perubahan matriks class,untuk itu nilai perubahan matriks pertama dan kedua hari dihitung.
= S
= = =
Dan
=
Berdasarkan data diatas maka eigen vector dan eigen values pada dan adalah :
λ = , V =
dan λ = , V =
8. Maka langkah selanjutnya dilakukan persamaan 3.15 maka klasfikasi telah dilakukan, berdasarkan persamaan tersebut maka jumlah value yang terdapat pada masuk pada klasifikasi pada kelas satu dan jika value masuk pada kelas dua.Berikut ini merupakan nilai Y.
= dan =
9. Setelah melakukan tahap diatas maka gambar 3.3 yang telah diklasifikasikan menggunakan Linear Discriminant Analysis kedalam atau dalam stadium 0 (Usus Normal) .
3.3 Rancangan Antarmuka
Tampilan antarmuka (interface) merupakan tampilan penghubung komunikasi antara manusia dan komputer. Perancangan tampilan antarmuka pada sistem bertujuan untuk memberikan gambaran tampilan sistem yang akan dibangun. Perancangan antarmuka terdiri dari rancangan tampilan screen, tampilan halaman utama dan tampilan halaman training.
3.3.1 Rancangan Tampilan Utama
Tampilan halaman screen adalah tampilan awal pada saat sistem dijalankan.
Rancangan tampilan screen dapat dilihat pada Gambar
Gambar 3.5. Rancangan Halaman Utama Keterangan :
1. Picture Box yang berisi gambar usus 2. Label dari judul program
3. Menu “Data traning” yang berisi database yang akan digunakan untuk
33
3.3.2 Tampilan Data Training
Gambar 3.6 Rancangan Data Training Keterangan :
1. Select box “stadium” yang digunakan untuk mengselect stadium yang ingin di tampilkan pada data training
2. Buton file yang digunakan mencari file image yang ingin di training
3. Citra input berupa citra colonoscopy
4. Citra hasil otsu berupa citra dari hasil convert citra colonoscopy berbentuk rgb menjadi grayscale lalu di ubah menjadi citra otsu yang berbentuk citra biner
5. Tabel pada no.5 merupakan parameter dari GLCM yang akan digunakan untuk mengklasfikasian data
6. Button simpan berfungsi untuk menyimpan data yang akan ditraining
7. Button keluar berfungsi untuk kembali ke halaman utama
3.3.3 Halaman Pengujian
Gambar 3.7 Rancangan Data Testing Keterangan:
1. Button pada no.1 berfungsi untuk mencari citra yang akan diproses.
2. Picturebox,berfungsi untuk menampilkan isi dari file citra yang dipilih 3. Picturebox2, berfungsi untuk menampilkan proses dari picturebox1
yang telah diproses.
4. Tombol „Proses‟ berfungsi untuk memproses citra dari picturebox 5. Tombol „Simpan‟ berfungsi untuk menyimpan hasil proses dari
picturebox2
6. Tombol „Lanjut‟ berfungsi untuk lanjut ke proses GLCM .
35
3.3.4 Form GLCM (Gray-Level Co-occurence Matrix)
Gambar 3.8 Rancangan Form GLCM Keterangan:
1. Picturebox berfungsi sebagai hasil dari proses pada convert dari image grayscale menjadi image segmentation dengan otsu thresholding 2. Text box otsu thresholding yang berisi nilai thresholding
3. Tombol „Lanjut‟ berfungsi untuk lanjut ke proses klasifikasi menggunakan Linear Discriminant Analysis (LDA).
4. Tabel hasil dari data glcm yang berupa energi,kontras,korelasi,Sum of Squere,Inverse Different Moment (IDM),sum average,sum varience,sum entropy,entropy,differential variance,different entropy,maksimum probabilitas,homogenitas dan dissimilarity.
3.3.5 Form Hasil Klasifikasi
Gambar 3.9 Rancangan hasil klasifikasi Keterangan:
1. Berisi Hasil diagnosa yang berhasil diklasifikasi pada penelitian ini 2. Berisi nilai Linear Discriminant pada citra yang sudah di klasifikasi
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini berisi implementasi dan pengujian aplikasi berdasarkan analisis dan perancangan aplikasi yang telah dibahas pada bab sebelumnya. Pada tahap ini, bertujuan untuk menampilkan hasil perancangan aplikasi yang telah dibangun dan proses pengujian aplikasi dalam melakukan klasifikasi stadium kanker usus besar.
4.1 Kebutuhan Aplikasi
Dalam perancangan aplikasi klasifikasi stadium kanker usus besar menggunakan citra colonoscopy menggunakan Linear Discriminant Analysis memerlukan perangkat keras dan perangkat lunak pendukung antara lain :
4.1.1 Perangkat Keras
Spesifikasi perangkat keras yang digunakan pada aplikasi ini antara lain : Processor : Intel(R) Core(TM) i7-6700HQ CPU @ 2.60GHz 2.59 GHz RAM : 8.00 GB
Harddisk : 1TB
4.1.2 Perangkat Lunak
Spesifikasi perangkat lunak yang digunakan pada aplikasi ini antara lain :
Windows 10 64 bit
Visual Studio 2017
Balsamiq Mockups 3
Corel Photo-Paint X6 64 bit
Microsoft Access 2013
4.2 Implementasi Perancangan AntarMuka
Adapun tampilan dari perancangan antar muka yang telah di implementasikan antara lain sebagai berikut:
4.2.1 Halaman Utama
Halaman utama adalah halaman awal yang muncul pada saat sistem dijalankan.Yang terdiri dari menu “Data Training” dan Data Testing” ,Picture Box yang berisi tampilan usus besar dan sebuah text yang berisi judul sistem. Tampilan Halaman utama dapat dilihat pada Gambar 4.1.
Gambar 4.1 Halaman utama
4.2.2 Halaman Data Training
Halaman data training terdiri dari select bar stadium (0,1,2,3 dan 4),browser file yang akan dipilih,citra colonoscopy dan citra otsu,nilai otsu serta nilai-nilai dari parameter glcm. Citra yang akan di Training satu persatu melalui browser file.Sebelum melakukan proses training stadium harus dipilih melalui select bar selanjutnya dilakukan proses,hasil citra yang telah diproses di data training akan di simpan di dalam database pada microsoft acces 2013.Halaman Data Training dapat dilihat pada gambar 4.2
39
Gambar 4.2. Halaman Data Training
Terdapat 55 data colonoscopy,41 di antara nya akan trainng,adapun hasil cita colonoscopy yang akan di training adalah sebagai berikut :
Tabel 4.1 Data Training No Citra
Colonoscopy
Stadium 0
Stadium 1
Stadium 2
Stadium 3
Stadium 4
1
2
3
Tabel 4.1 Data Training (Lanjutan)
4
5
6
7
8
9
10
41
Tabel 4.1 Data Training (Lanjutan)
11
12
13
14
15
16
17
Tabel 4.1 Data Training (Lanjutan) 18
19
20
21
22
23
24
43
Tabel 4.1 Data Training (Lanjutan)
25
26
27
28
29
30
31
Tabel 4.1 Data Training (Lanjutan)
32
33
34
35
36
37
38
45
Tabel 4.1 Data Training (Lanjutan)
39
40
41
4.3 Implementasi Data
Pada implementasi data,data training yang terdiri dari 41 data di pra-processing dengan cara croping dan grayscale,croping dilakukan secara manual ini dikarenakan image colonoscopy yang digunakan pada penilitian ini memiliki ukuran yang berbeda sehingga jika dilakukan proses croping bisa terjadi kemungkinan gambar terpotong pada ukuran yang berbeda sehingga terjadi perbedaan klasifikasi dengan stadium yang seharusnya.setelah cita grayscale di peroleh langkah selanjutnya melakukan segmentasi menggunakan otsu thresholding,dilakukan dengan otsu thresholding bertujuan untuk mencari nilai matrix pada image tersebut.Adapun citra grayscale dan citra thresholding terdapat pada tabel 4.2.
Tabel 4.2 Citra Grayscale dan Citra Thresholding No Citra Colonoscopy Citra Grayscale Citra Otsu
Thresholding
Stadium
1 Stadium 0
Tabel 4.2 Citra Grayscale dan Citra Thresholding (Lanjutan)
2 Stadium 0
3 Stadium 0
4 Stadium 0
5 Stadium 0
6 Stadium 0
7 Stadium 0
8 Stadium 0
47
Tabel 4.2 Citra Grayscale dan Citra Thresholding (Lanjutan)
9 Stadium 0
10 Stadium 0
11 Stadium 1
12 Stadium 1
13 Stadium 1
14 Stadium 1
15 Stadium 1
Tabel 4.2 Citra Grayscale dan Citra Thresholding (Lanjutan)
16 Stadium 1
17 Stadium 1
18 Stadium 1
19 Stadium 1
20 Stadium 2
21 Stadium 2
22 Stadium 2
49
Tabel 4.2 Citra Grayscale dan Citra Thresholding (Lanjutan)
23 Stadium 2
24 Stadium 2
25 Stadium 2
26 Stadium 2
27 Stadium 2
28 Stadium 2
29 Stadium 3
Tabel 4.2 Citra Grayscale dan Citra Thresholding (Lanjutan)
30 Stadium 3
31 Stadium 3
32 Stadium 4
33 Stadium 3
34 Stadium 3
35 Stadium 3
36 Stadium 3
51
Tabel 4.2 Citra Grayscale dan Citra Thresholding (Lanjutan)
37 Stadium 3
38 Stadium 4
39 Stadium 4
40 Stadium 4
41 Stadium 4
Setelah dilakukan segmentasi dengan otsu thresholding,selanjutnya data tersebut di converting kembali menjadi citra grayscaling,lalu citra tersebut di feature ekstraksi menggunakan glcm menggunakan 6 parameter.Parameter dalam glcm tersebut akan menjadi input dalam pengklasifikasian menggunakan Linear Discriminant Analysis.Adapun data GLCM berdasarkan 6 Parameter tersebut pada citra training di atas terdapat pada tabel 4.3
Tabel 4.3 Parameter GLCM berdasarkan Citra Colonoscopy
No Stadium ASM VAR_ IDM MP H D
1 Stadium 0 152564 5,58297492794 748E+15
872,9284 1 872,92 84
4366162 5 2 Stadium 0 86040 1,00569462089
937E+15
492,8502 1 492,85 02
1581064 9
Tabel 4.3 Parameter GLCM berdasarkan Citra Colonoscopy (Lanjutan) 3 Stadium 0 72646 613265709888
644
512,4872 1 512,48 72
1083440 8 4 Stadium 0 42597 119329722015
405
285,3276 1 285,32 76
7755956 5 Stadium 0 29574 407974561940
21,3
247,9211 1 247,92 11
5238757 6 Stadium 0 116691 2,54261816828
871E+15
680,1919 1 680,19 19
2104975 9 7 Stadium 1 76743 707780780843
123
416,4084 1 416,40 84
1517689 7 8 Stadium 1 83381 926355227905
134
700,3522 1 700,35 22
1168513 9 9 Stadium 1 63000 397334830539
861
331,8002 1 331,80 02
1183204 3 10 Stadium 1 84025 936334342389
805
444,8705 1 444,87 05
1577444 5 11 Stadium 1 142934 4,67885706581
571E+15
723,853 1 723,85 3
2059834 4 12 Stadium 1 60848 363776308482
854
410,7972 1 410,79 72
1011703 9 13 Stadium 1 96799 1,41493242862
477E+15
459,8727 1 459,87 27
1947928 5 14 Stadium 2 101498 1,69300455965
441E+15
771,1827 1 771,18 27
1701641 2 15 Stadium 2 52957 234233272623
639
311,2774 1 311,27 74
9997855 16 Stadium 2 104227 1,81333517178
071E+15
703,9898 1 703,98 98
1618552 5 17 Stadium 2 103528 1,74732518789
218E+15
320,6032 1 320,60 32
2084286 9 18 Stadium 2 87380 1,06862507985
697E+15
434,1183 1 434,11 83
1612986 5 19 Stadium 2 18764 103322874903
77,1
267,4928 1 267,49 28
1480240 20 Stadium 2 87417 1,05828037172
216E+15
704,5529 1 704,55 29
1111139 2 21 Stadium 2 50306 201123979952 289,789 1 289,78 1034356
