IDENTIFIKASI PENYAKIT KANKER PARU-PARU PADA CITRA MEDIS CHEST X-RAY (CXR) MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK SKRIPSI

(1)

IDENTIFIKASI PENYAKIT KANKER PARU-PARU PADA CITRA MEDIS CHEST X-RAY (CXR) MENGGUNAKAN

METODE CONVOLUTIONAL NEURAL NETWORK

SKRIPSI

GEBRIEL JULIENDI SITORUS 161402143

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN

2021

(2)

IDENTIFIKASI PENYAKIT KANKER PARU-PARU PADA CITRA MEDIS CHEST X-RAY (CXR) MENGGUNAKAN

METODE CONVOLUTIONAL NEURAL NETWORK

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi

GEBRIEL JULIENDI SITORUS 161402143

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN

2021

(3)

(4)

PERNYATAAN

IDENTIFIKASI PENYAKIT KANKER PARU-PARU PADA CITRA MEDIA CHEST X-RAY(CXR) MENGGUNAKAN METODE

CONVOLUTIONAL NEURAL NETWORK

SKRIPSI

Tugas akhir ini merupakan murni hasil karya buatan saya sendiri tanpa campur tangan orang lain, kecuali beberapa hal yang telah saya kutip dan ringkas yang sumbernya telah saya cantumkan masing-masing sumbernya.

Medan, 2021

Gebriel Juliendi Sitorus

161402143

(5)

PERSETUJUAN i

PERNYATAAN ii

DAFTAR ISI iii

DAFTAR TABEL v

DAFTAR GAMBAR vi

UCAPAN TERIMA KASIH viii

BAB 1 1

1.1 Latar Belakang 1

1.2 Rumusan Masalah 3

1.3 Batasan Masalah 3

1.4 Tujuan Peneilitian 3

1.5 Manfaat Penelitian 3

1.6 Metode Penelitian 4

1.7 Sistematika Penulisan 5

Bab 1 : Pendahuluan 5

Bab 2 : Landasan Teori 6

Bab 3 : Analisis dan Perancangan 6

Bab 4 : Implemetasi dan Pengujian 6

Bab 5 : Kesimpulan dan Saran 6

BAB 2 7

2.1 Paru-paru 7

2.2 Kanker Paru-Paru 8

2.3 Pengolahan Citra Digital 12

2.3.1 Scaling 13

2.3.2 Grayscaling 13

2.3.3 Thresholding 14

2.4 Ektraksi Fitur 15

2.5 Metode Convolutional Neural Network 15

2.6 Penelitihan Terdahulu 19

2.7 P

erbedaan dengan Penelitian Terdahulu 24

BAB 3 25

(6)

ANALISIS DAN PERANCANGAN SISTEM 25

3.1. Arsitektur Umum 25

3.2. Dataset 27

3.3. Pre-processing 29

3.4 Image Enhancement 31

3.4.1 Balance Contrast Enhance Technique 32

3.5 Segmentasi 32

3.5.1 Threshold 32

3.6 Convolutional Neural Network (CNN) 35

3.6.1 Training 35

3.6.2 Testing 37

3.6 Output 37

3.7 Perancangan Sistem Antarmuka 38

3.7.1 Tahap melakukan Perancangan antarmuka-sistem 38

BAB 4 42

4.1 Implementasi Sistem 42

4.2 Prosedur Operasional 51

4.3 Pengujian Sistem 55

4.3.1 Uji Coba Sistem dengan Jumlah Data Training 150 64 4.3.2 Uji Coba Sistem dengan Jumlah Data Training 100 69 4.3.3 Analisis Perubahan Jumlah Data Training dan Epoch 73

BAB 5 75

KESIMPULAN DAN SARAN 75

5.1 Kesimpulan 75

5.2 Saran 76

DAFTAR PUSTAKA 77

(7)

Tabel 2.1 Judul dan Keterangan Penelitian Sebelumnya ... 22

Tabel 3.1 Pembagian Dataset Normal dan Abnormal ... 28

Tabel 4.1 Rangkuman Data Citra CXR ... 47

Tabel 4.2 Hasil Pengidentifikasian Citra Abnormal ... 55

(8)

DAFTAR GAMBAR

Gambar 2.1. Gambar chest X-RAY dari kanker paru-paru ... 8

Gambar 2.2 Arsitektur dari CNN dan MLP ... 16

Gambar 2.3 Convolutional Neural Network ... 17

Gambar 2.4 Operasi Max Pooling (Wayan,2006) ... 18

Gambar 2.5 Struktur Umum Metode CNN ... 19

Gambar 3.1 Arsitektur Umum ... 26

Gambar 3.2 Contoh citra CXR Paru-Paru Normal ... 27

Gambar 3.3 Contoh Citra CXR Paru-Paru Abnomal(Kanker) ... 28

Gambar 3.4 Grayscale Paru-Paru ... 30

Gambar 3.5 Represenntasi Citra Grayscale ... 30

Gambar 3.6 Nilai Threshold Citra 9 Piksel ... 34

Gambar 3.7 Citra Hasil Proses Thresholding ... 34

Gambar 3.8 Hasil Loss dan Akurasi Pada Model ... 36

Gambar 3.9 Perancangan Tampilan Awal Antarmuka-Sistem ... 39

Gambar 3.10 Rancangan Tampilan Halaman Data Latih ... 40

Gambar 3.11 Perancangan Tampilan untuk Halaman Testing ... 41

Gambar 4.1 Tampilan Halaman Awal Sistem ... 43

Gambar 4.2 Halaman Latih Data ... 44

Gambar 4.3 Tampilan Halaman Testing ... 45

Gambar 4.4 Data citra CXR kanker paru-paru ... 46

Gambar 4.5 Data citra CXR paru-paru normal ... 46

Gambar 4.6 Tampilan Button Menuju Halaman Training ... 51

Gambar 4.7 Tampilan Tombol untuk upload data ... 52

Gambar 4.8 Tampilan Upload Data ... 52

Gambar 4.9 Tampilan Data Selesai di Upload ... 53

Gambar 4.10 Halaman Testing ... 53

Gambar 4.11 Tampilan Upload Data Abnormal Testing ... 54

Gambar 4.12 Tampilan Proses dan Hasil Identifikasi ... 54

Gambar 4.13 Hasil Akurasi Sistem menggunakan Epoch 10 ... 59

(9)

Gambar 4.16 Hasil Akurasi dengan Epoch 15 ... 60

Gambar 4.21 Hasil akurasi sistem menggunakan epoch 10 ... 64

Gambar 4.22 Hasil akurasi sistem epoch 10 ... 64

Gambar 4.26 Hasil akurasi sistem n epoch 20 ... 66

(10)

UCAPAN TERIMA KASIH

Dalam pengerjaan skripsi ini penulis tidak lupa untuk panjatkan syukur sebesar-besarnya kepada Tuhan yang Maha Esa untuk segala rahmat dan karunia Tuhan penulis dapat mampu menyiapkan penulisan skripsi yang menjadi salah satu syarat untuk lulus dan mendapatkan gelar sarjana pada Fakultas Ilmu Komputer dan Teknologi Informasi Program Studi S1 Teknologi Informasi Universitas Sumatera Utara. Tanpa doa dan bantuan dari berbagai pihak penulis, penulis tiedak akan mampu menyelesaikan penulisan skripsi. Untuk itu penulis akan menyampaikan ucapan terimakasih kepada:

1. Bapak Dr Muryanto Amin,S.Sos, M.Si selaku Rektor Universitas Sumatera Utara.

2. Bapak Dr. Maya Silvi Lydia. M.Sc selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.

3. Bapak Romi Fadillah Rahmat, B.Comp.Sc., selaku Ketua Program Studi S1 Teknologi Informasi Universitas Sumatera Utara.

4. Ibu Sarah Purnamawati, ST., M.Sc., selaku Sekretaris Program Studi S1 Teknologi Informasi Universitas Sumatera Utara

5. Mohammad Fadly Syah Putra, M.Sc.IT. sebagai Dosen Pembimbing I dan Ibu Sarah Purnamawati, ST., M.Sc., selaku Dosen Pembimbing II yang selalu memberikan penulis bimbingan, pemikiran, saran dan kritik serta dukungan dan motivasi dalam penyempurnaan menyelesaikan tugas akhir ini.

6. Staff dan pegawai Fasilkom-TI Universitas Sumatera Utara yang memudahkan dan memberikan bantuan dalam segala urusan administasi dan masalah-masalah kemahasiswaan sehingga penulisa mampu menyelesaikan skripsi.

7. Keluarga penulis terutama orang tua, yaitu Marudus Sitorus dan Tiominar Sirait dan keluarga untuk kesabaran, bantuan, dukungan serta dorongan, doa, kasih sayang yang tak terhingga penulis terima sehingga penulis bisa mempu untuk menyiapkan penulisan ini.

Penulis sangat bersyukur kepada Tuhan karena menghadirkan

(11)

8. Sahabat Penulis, Samuel Tario Sitepu, Chyntia Claudia Aritonang, Tirza Priskilla Sibuea, Novalina Simbolon, Sonia Elisa Telaumbanua, Elwin Duha S.Kom, Sutan Mahalel Ritonga, Kornelius Ardianta Purba, Bora Sejati Siboro, Aldo Stepanus Simarmata S.Kom, Desi Tambunan, Jhon Rendy Sortono S.Kom, Ricardo Randal Pandia dan Sahat Gebima Sihotang S.Kom yang telah menjadi sahabat yang mendukung, menjadi teman yang baik selama perkuliahan baik dalam suka dan duka, tempat bertukar pikiran serta yang tak henti-hentinya memberikan dukungan hingga penulisan skripsi selesai.

9. Pihak yang telah terlibat secara langsung ataupun pihak yang terlibat secara tidak langsung yang tidak dapat lampirkan satu persatu yang telah membantu penulis dalam menyelesaikan skripsi ini.

Semoga Tuhan Yang Maha Esa akan selalu melimpahkan berkat dan anugerah-Nya kepada seluruh pihak yang telah terkait, berkat bantuan dan dorongan kepada penulis maka penulisan skripsi dapat diselesaikan.

Medan, 2021

Penulis

(12)

ABSTRAK

Salah satu penyebab banyaknya kematian terjadi saat ini di seluruh dunia adalah kanker paru-paru. Adanya tumor ganas yang terdapat pada epitel bronkus menjadi penyebab terjadinya kanker paru-paru. Pada pria sekitar 30% kematian yang terjadi merupakan akibatkan kanker paru dan pada wanita sebanyak 20% meninggal dunia akibat kanker paru-paru.

Pada tahun 90-an pada RS yang terdapat di Jakarta bernama Kanker Dharmais untuk penyakit kanker telah menempati tempat ke-3 setelah kanker payudara dan kanker pada bagian leher rahim. Banyaknya kematian yang terjadi pada setiap tahunnya di seluruh dunia kurang lebihnya telah melebihi setengah juta penduduk diakibatkan kanker paru- paru. Pada umumnya penyakit ini terjadi pada manusia yang berumur 30- 70 tahun dan puncak penyakit kanker pada umur 55- 75 tahun.

Untuk penyebab pastinya terjadi kanker paru belum diketahui namun saat ini yang telah diketahui menghirup udara yang terpapar zat terkandung karsinogenik adalah salah satu penyebab penyakit ini selain faktor seperti genetik, tubuh yang lemah dan lainnya. Dari beberapa penelitian telah dilaporkan bahwa kanker paru berhubungan dengan kebiasaan orang yang merokok. Lombard dan Doering telah memberikan laporkan bahwa besarnya kasus kanker paru pada pengguna rokok aktif daripada dengan perokok pasif.

Kata kunci : kanker paru

(13)

USING CONVOLUTIONAL NEURAL NETWORK ABSTRACT

One of the causes of many deaths that occur today worldwide is lung cancer. The presence of malignant tumors in the bronchial epithelium is the cause of lung cancer. In men about 30% of deaths that occur are due to lung cancer and in women about 20% of deaths that occur are due to lung cancer. In the 90's, the hospital in Jakarta called Cancer Dharmais for cancer had occupied the 3rd place after breast cancer and cancer of the cervix. The number of deaths that occur every year around the world has more or less exceeded half a million people due to lung cancer. In general, this disease occurs in humans aged 30-70 years and the peak of cancer is at the age of 55-75 years. The exact cause of lung cancer is not yet known, but currently it is known that prolonged exposure or inhalation to substances that contain carcinogenic properties is one of the main causes in addition to other factors such as genetics, a weak body and others. Several studies have reported that lung cancer is associated with smoking habits. Lombard and Doering have reported that the incidence of lung cancer is higher in active smokers compared to passive smokers.

Keyword: Lung Cancer

(14)

BAB 1 PENDAHULUAN

1.1 Latar Belakang

Pada tubuh manusia terdapat sel abnormal yang jika pertumbuhan sel tersebut tidak dapat dikendalikan oleh tubuh maka akan menyebabkan penyakit kanker. pada saat ini banyaknya kematian yang terjadi diseluruh dunia terjadi salah satunya disebabkan oleh kanker sehingga kanker saat ini menjadi penyakit yang paling membunuh nomor dua di dunia. Menurut World Health Organization (WHO), Penyebab kematian akibat kanker yang paling banyak terjadi disebabkan oleh kanker paru. Berdasarkan informasi dari pusat pencegahan dan pengendalian penyakit dalam tahun 2010, sebanyak 110.190 pria dan 95.784 wanita di amerika menderita penyakit kanker paru dan sebanyak 158.081 meninggal dunia karena penyakit ini.

Penyakit ini dapat di diagnose melalui media chest X-Ray atau yang kita kenal dengan rontgen. X-Ray ditemukan oleh Wilhelm Rontgen pada tahun 1895. Pemeriksaan menggunakan ridiologi CXR memudahkan proses diagnosis dan identifikasi medis penyakit pada paru-paru. Namun membaca hasil rontgen masih membutuhkan tenaga ahli seperti dokter untuk membacanya. (Pedoman diagnosis dan Penatalaksanaan di Indonesia, 2003).

Sebelumnnya sudah ada penelitian yang telah dilakukan, diantaranya penelitian Afriani,2018 yaitu mengidentifikasi kanker paru pada citra CXR dengan metode Backpropagition. pada penelitiaan mampu mehasilkan Identifikasi dengan tingkat akurasi 75% sensitivity 75%

dan specifity 75%. Penelitian dengan

(15)

memanfaatkan Chest X-Ray yang mengidentifikasi kelainan pada paru yang mendeteksi selkanker paru menggunakan metode image processing dengan algoritam DAS dan Operasi Morfologi (Pratapl,2016).

Pada tahun 2016 Poornimadevi, C.S dan Helen, S.C melakukan penelitian yang mendeteksi penyakit tuberkulosis dengan menggunakan image processing. Pada penelitian ini terjadi beberapa tahapan Preprocessing, Registration Based Image Segmentation, Watershed Segmentation, Threshold dan Active Contour.

Berdasarkan penelitian ini didapatkanlah tingkat akurasi sebesar 60% dalam mendeteksi penyakit tersebut.

Dari hasil latar belakang tersebut, maka penulis mengembangkan penelitian untuk melakukann pengidentifikasian kanker paru yang berjudul “IDENTIFIKASI PENYAKIT KANKER PARU-PARU PADA CITRA MEDIA CHEST X- RAY MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWO

(16)

1.2 Rumusan Masalah

Pengidentifikasi penyakit kanker paru yang dilakukan oleh para pakar (dokter) masih banyak yang secara manual sehingga dapat membuat pihak medis sering terjadi kesalahan dalam mendiagnosaan penyakit.

Dikarenakan hal itu, untuk membantu mengidentifikasi kanker pa-paru diperlukan suatu metode yaitu dengan metode CNN.

1.3 Batasan Masalah

Berikut merupakan beberapa batasan yang yang dibuat untuk i penelitian ini adalah :

1. Data Citra CXR yang dimiliki merupakan hasil digitalisasi foto chest- Xray atau rontgen dada.

2. Untuk mendeteksi kanker paru melalui tumor berwarna putih yang terdapat pada paru.

3. Ekstensi file citra adalah jpeg, dengan format warna grayscale.

4. Output akhir yang dihasilkan merupakan identifikasi mengenai ada atau tidaknya penyakit kanker paru.

1.4 Tujuan Peneilitian

Adapum skripsi ini dibentuk bertujuan untuk memudahkan dalam melakukan identifikasi kanker paru berdasarkan dari analisis citra CXR menggunakan metode Convolutional Neural Network sehingga pada objek yang sehat dan yang sakit dapat dibedakan.

1.5 Manfaat Penelitian

1. Mengoptimasi pekerjaan pekerja medis dalam mendiagnosa kanker paru-paru sehingga hasil dapat lebih akurat dan dapat memperkecil terjadinya kesalahan yang terjadi dalam melakukan pengambilan kesimpulan dari hasil diagnose foto rontgen pasien.

(17)

2. Menjadi bahan untuk rujukan dalam melakukan pengembangan penelitian yang lebih lanjut, khususnya pada hal seperti jaringan saraf dan pengolahan citra

1.6 Metode Penelitian

Beberapa tahap berikut merupakan hal akan dikerjakan dalam peneletian yaitu:

1. Studi Literatur

Pembelajaran berdasarkan segala sumber sama dilakukan contohnya dari buku dan banyak referensi lainnya akan dikerjakan pada tahap ini dalam menyelesaikan pengerjaan skripsi ini. Terutama mengenai medical image, image processing, kanker paru, segmentasi citra, dan metode convolutional neural network. Informasi tersebut adalah dasar dalam menganalisis masalah.

2. Analisis Permasalahan

Selanjutnya penulis melakukan analisis pada masalahan penelitian dari informasi yang telah ditemukan dalam tahapan studi literatur, untuk memperoleh metode yang tepat untuk mengatasi diagnosa penyakit kanker paru-paru melalui CXR.

3. Perancangan

Pada tahapan ini berdasarkan hasil analisis permasalah yang telah ditemukan penulis maka dibentuk perancangan sistem yang sesuai untuk menyelesaikan permasalahan tersebut. Maka dari itu, dibentuk perancangan berupa arsitektur dan sistem antarmuka.

(18)

4. Implementasi Sistem

Penerapan tahap implementasi dibentuk pada suatu program seperti rancangan yang telah dibuat dan analisis permasalahan yang selesai dikerjakan pada tahap sebelumnya.

5. Pengujian

Setelah segala hasil ditemukan agar mengetahui besar keakurasian yang dilakukan pada penerapan metode Convolutiona Neural Network pada penyakit kanker paru-paru.

6. Laporan

Untuk menutup penelitian maka penulis menyusun laporan skripsi yang dikerjakan.

1.7 Sistematika Penulisan

Penelitian ini akan terbagi berdasarkan berbagai sistematika, berberapa dari sistematikan tersebut yaitu:

Bab 1 : Pendahuluan

Beberapa bagian terdapat pada pendahuluan yaitu latar belakang , perumusan masalah, batasan masalah yang terdapat pada penelitian, tujuan penelitian, manfaat yang terdapat penelitian, metodologi yang terdapat penelitian, dan penulisan peneltian.

(19)

Bab 2 : Landasan Teori

Agar mengetahui masalah dalam skripsi maka diperlukan berbagai teori pendukung untuk membantu menyelesaikan masalah tersebut. Beberapa teori tersebut berkaitan pada grayscaling, thresholding, ekstraksi fitur, CNN untuk identifikasi suatu objek.

Bab 3 : Analisis dan Perancangan

Dalam mengidentifikasi citra paru berdasarkan metode Convolutional Neural Network dilakukan analisis dari arsitektur umum dan sistem yang akan dirancang.

Bab 4 : Implemetasi dan Pengujian

Isi dari pengimplementasi dalam tahap ini berupa rancangan dari sistem yang dibentuk kemudian akan dilakukan uji pada sistem yang dirancang sesuai dengan dibentuknya peneltian ini

Bab 5 : Kesimpulan dan Saran

Memberikan hasil akhir yang dirangkum berdasarkan seluruh penelitian bab-bab sebelumnya beserta dengan saran untuk penelitian kedepannya.

(20)

BAB 2

LANDASAN TEORI

Memahami masalah dalam penelitian ini diperlukan beberapa teori agar lebih memahami penelitian ini beserta penelitian sebelumnya yang bersangkutan dalam metode Convolutional Neural Network.

2.1 Paru-paru

Organ utama yang terdapat pada manusia dalam melakukan pernafasan (respirasih) serta peredaran darah atau sirkulasi yang bernafas melalui udara adalah organ paru. Organ paru bertujuan melakukan penukaran karbon dioksida dan oksigen yang terdapat di bumi pada darah manusia.

Prosesnya penukaran tersebut dinanamakan dengan "pernapasan eksternal".

Paru-paru pada bagian kanan dan paru-paru pada bagian kiri merupakan dua paru-paru pada manusia yang terdapat pada rongga dada. Bagian kiri paru-paru lebih kecil dari pada bagian kanan, karena pada bagian kiri lebih dekat dengan jantung. Berat bagian kiri dan kanan paru-paru sama yaitu berkisaran 1,300 g, tapi pada bagian kanan paru-paru lebih besar.

(21)

2.2 Kanker Paru-Paru

Pada tubuh manusia dapat terjadi perkembangan sel yang paru tidak dapat mengendalikannya menyebabkan tumor berbahaya yang mengakibatkan penyakit kanker ini. Sel abnormal akan berkembang dan keluar menuju bagian tubuh dan jaringan yang terdekat pada tubuh.

Kanker merupakan penyakit umum terjadi pada setiap manusia tidak memandang jenis kelamin Kanker paru-paru sembilan puluh persen berawal dari saluran udara yang masuk ke dalam paru-paru (Diananda, 2007).

Gambar 2.1. Gambar chest X-RAY dari kanker paru-paru (Adzani,2019)

Berdasarkan beberapa kasus dan angka kematian yang telah terjadi sejak tahun 1985 kanker paru telah menjadi pembunuh yang sangat mengerikan dan menjadi penyebab matinya penduduk yang berada di setiap negara. Secara global, penyakti ini menjadi penyakit yang paling banyak angka kejadian baru dengan satu juta tiga ratus lima puluh kasus dan dua belas persen lebih dari seluruh kejadian baru kanker dan angka kematian satu juta seratu delapan puluh kasus dan tujuh belas persen lebih dari total kematian akibat kanker (Cruz, 2011).

(22)

Pada tahun 2004 menurut data statistic WHO, presentase penyebab kematian akibat kanker paru 9.1% rata-rata merupakan wanita, sedangkan 21.8% rata-rata merupakan pria, rata-rata terdapat 8.390 perempuan dan 22.475 laki-laki meninggal akibat kanker paru setiap tahunnya.

Faktor Resiko

Berikut penyebab penyakit kanker paru yaitu: polusi udara, merokok, perokok pasif, pengaruh gen dan status imunologis, dan darix penyakit lain:

Gejala

Perkembangan kanker tidak cepat, sehingga tidak memperlihatkan tanda-tanda awal terkena yang terkena penyakit. Munculnya gejalah saat telah membesar tumor sudah cukup besar dan kanker telah menyebar pada jaringan lain. Adapun tanda-tanda terjadi gejala kanker yaitu itu nyeri pada dada, badan lemas, sesak napas, berat badan turun drastis, batuk disertai dahak atau batuk berdarah, serak dan sebagainya

Seiring berjalan waktu, penyebaran kanker dapat melalui jaringan pada bagian tubuh atau organ yang berada di sekitarnya, contoh otak, atau hati, tulang, atau kelenjar getah bening. Ketika telah terjadi penyebaran hingga ke menuju organ pada bagian tubuh lain, akan muncul gejala baru, seperti: pada tulang dan sendi terjadi nyeri, daya ingat semakin berkurang, terasa sakit pada bagian kepala, terjadinya penguningan pada bagian mata dan kulit, lengan mati rasa tubuh tidak seimbang, wajah dan leher membengkak.

(23)

Diagnosis Kanker Paru

Beberapa cara yang dilakukan untuk mendiagnosis kanker paru yaitu pemeriksaan fisik, pemeriksaan laboratorium, anamnesis, radiologi dan sitologi.

1. Pemeriksaan fisik

Hasil dari pemeriksaan fisik bergantung pada kelainan yang terjadi saat melakukan pemeriksaan. Pemeriksaan fisik juga memberikan data untuk mengetahui tahap (stage) penyakit, sama halnya dengan tumor yang terjadi pada bagian luar paru(PDPI,2003).

2. Pemeriksaan laboratorium

Beberapa tujuan dari pemeriksaan laboratorium sebagai berikut:

A) Mengetahui kelainan yang terjadi kanker paru. Untuk memeriksa kelainan pada paru-paru dapat diketahui dengan melakukan pemeriksaan analisis gas.

B) Mengetahui perubahan yang diakibatkan oleh kanker paru-paru dalam beberapa organ pada tubuh lainnya.

C) Mengetahui perbedaan yang timbul akibat penyakit ini dalam bagian tubuh yang terlihat sehat khusunya jaringan baik dari tumor primernya hingga karena metastasis.

3. Anamnesis

Pada anamnesis akan di dapat perjalanan penyakit dan keluhan utama, hingga beberapa faktor yang mempermudah diagnosis. Batuk berdahak maupuk batuk yang tidak berdahak, batuk yang mengeluarkan darah, susah bernafas, nyeri pada dada, tidak dapat menelan atau sulit saat menelan, pembengkakan pada leher, sakit muka dan leher, hingga disertai sakit pada bagian lengan dengan rasa nyeri yang luar biasa merupakan keluhan utama penyakit kanker paru(PDPI,2003).

(24)

4. Radiologi

Pemeriksaan radiologis merupakan syarat mutlak diperlukan untuk mencari letak tepat dari tumor primer dan metastasis, hingga menentukan seberapa berat penyakit yang diderita menurut sistem untuk menentukan stadium. Beberapa contoh pengecekkan melalui radiologi paru yaitu CT-scan ,Foto toraks,bone scan, bone survey dan Brain-CT dalam mencari lokasi terjadi kelainan, metastasis dan besarnya tumor(DPPI,2003).

5. Sitologi

Penanganan sitologi sputum dapat mengetahui proses keganasan kanker. Untuk mendiagnosis kanker lebih dini dapat menggunakan pemeriksaan sitologi dibandingkan pemeriksaan radiologi. Pemeriksaan sitologi dapat menemukan sel- sel tertentu beberapa tahun sebelum kanker paru ditemukan.

Pencegahan kanker paru

Berdasakan American Lung Association, beberapa hal cara untuk untuk mencegah atau mengurangi resiko kanker paru yaitu :

1. Berhenti merokok atau menghisap tembakau

Zat yang terdapat pada rokok dan tembakau mengandung zat yang berbahaya dan dapat merusak sel-sel paru-paru penggunanya.

Kebiasaan merokok dapat membentuk dan menggandakan sel abnormal dan meningkatkan resiko terkena kanker paru.

2. Kurangi kontak dengan asap seorang perokok

Orang yang menghirup asap seorang perokok akan mendapatkan karsinogen dan beberapa zat yang memicu kanker lainnya sama seperti perokok aktif

3. Periksa kadar radon rumah

Gas radioaktif yang dilepaskan pada proses pembusukan alami yang

(25)

terjadi pada beberapa zat adalah gas radon. Beberapa zat yang dimaksud adalah torium, uranium, dan radium. Semua zat tersebut dapat ditemukan dalam tanah dan batu.

4. Hindari kontak dengan zat karsionogen di tempat anda beraktivitas Jenis-jenis zat karsinogen adalah benzena, asbes, formaldehida, dan arsen merupakan zat dan bahan kimiawi yang ditemukan sebagai penyebab kanker.

5. Hindari daerah yang polusi udara tinggi

2.3 Pengolahan Citra Digital

Fungsi f(x,y) dipresentasikan dalam sebuah citra memiliki dimensi ruang, yang deketahui x maupun y merupakan korodinat posisi, dan pada setiap koordinat (x,y) adalah nilai f adalah berupa value intensitas yang terdapat dalam citra. Value x dan y dan value dari f bersifat discrit juga terbatas hingga citra tersebut dinyatakan sebagai citra digital.

Gabungan dari berbagai piksel yang memiliki nilai dan posisi tertentu disebut dengan citra digital. (Gonzales & Woods, 2008).

Memodifikasi dan memanipulasi citra sama halnya untuk meningkatkan kualitas dari citra tersebut, memilih citra yang berguna untuk melakukan analisis hingga mengubah citra pada sistem yang memperoleh hasil yang terbaik merupakan tujuan dari Digital Image.

Berdasarkan penelitian Kadir dan Susanto pada tahu 2013, Perubahan pada citra bertujuan untuk mempermudah memanipulasi gambar awal yang terdapat gangguan untuk diinterpretasikan membentuk citra lain.

Berikut metode dalam mengelolah citra diterapkan dalam beberapa hasil oleh beberapa peneliti yaitu

(26)

2.3.1 Scaling

Untuk melakukan perubahan pada citra seperti memperbesar ukuran citra ataupun memperkecil ukuran citra, scaling menjadi salah cara yang banyak digunakan dalam berbagai penelitian. Menurut Pratt tahun 2007, Scaling digunakan untuk memperbesar dan memperkecil ukuran pada citra dan scaling berguna untuk melakukan normalisasi size citra agar mempunyai besar atau kecil yang sama. Scaling adalah proses mengubah banyaknya piksel yang di input yang digunakan dalam jaringan syaraf. Contoh citra dengan ukuran 500x500 diubah menjadi 25x25 pada proses scaling (JT Marbun et al., 2018).

2.3.2 Grayscaling

Citra yang hanya mempunyai rentangan warna abu-abu dengan intensitas nilai yang maksimalnya 255 warna putih dan nilai intensitas minimalnya 0 warna hitam adalah grayscale. Jika citra dipresentasikan pada delapan bit,dalam citra tersebut akan memiliki sebanyak dua puluh delapan ataupun dua ratus lima puluh enam tingkat grayscale,(pada umumnya bernilai 0 – 255. Pada warna abu citra grayscale tingkat kecerahan diwakili oleh warna merah(red), hijau(green), biru(blue) untuk pantulan cahaya yang ditransmisikan terdapat 3 warna pigmen juga yaitu sian(cyan), magenta, kuning(yellow). Grayscaling adalah tahap untuk mebentuk warna citra merah(R), hijau(G), biru(B) hingga menjadi citra yang memiliki warna keabuan. Grayscaling dimanfaatkan untuk mempermudah pemodel citra Red, Green dan Blue yang mempunyai layer matriks, layer matriks tersebut adalah RGB menbentuk satu layer matriks keabuan. Pengerjaan grayscaling adalah berdasarkan rata-rata dari nilai yang diperoleh pada warna Red, Green dan Blue, yang diperlihatkan dalam persamaan berikut ini.

(27)

I = (R + G + B) / 3

I = Nilai untuk intensitas keabuan pada hasil grayscaling suatu piksel R= Piksel red(merah) yang memiliki nilai

G= Piksel hijau(green) yang memiliki nilai B= Piksel biru(blue) yang memiliki nilai

2.3.3 Thresholding

Thresholding adalah pengembangan yang membutuhkan nilai ambang yang perhitungannya dilakukan dengan adaptif menurut tingkatan beberapa piksel tetangga. Menurut Kadir et al tahun 2013, Utamanya merupakan beberapa bagian ynag tidak besar pada citra memiliki iluminasi yang tidak berbeda, maka jika threshold dihitung berdasarkan beberapa bagian kecil pada citra bukan berdasarkan segala piksel pada citra. Menggunakan nilai batas (threshold) pada proses thresholding adalah agar nilai pada piksel berubah dari grayscale hingga memiliki warna putih dan warnahitam.. Pada saat nilai pada suatu piksel yang terdapat pada grayscale mempunyai nilai threshold yang lebih besar, lalu velue pada piksel akan diubah dengan 1 atau warna putih, jika nilai threshold lebih besar dari nilai grayscale maka velue dari threshold diubah menjadi 0 atau berwarna hitam (RF Rahmat, et al., 2018).

(28)

Citra hasil thresholding didefenisikan sebagai persamaan berikut g(x,y) 0 if f(𝑥, 𝑦) ≥ 𝑇

{ 0 if f (𝑥, 𝑦) < 𝑇 (2.3)

Ket:

g(x,y) = hasil citra biner

f(x,y) = hasil citra yang dimasukkan

T= nilai threshold

2.4 Ektraksi Fitur

Membentuk suatu nilai pada fitur yang telah mengalami proses pengukuran pada data yang telah dinormalisasi merupakan ekstraksi fitur. Melakukan klasifikasi menggunakan nilai fitur agar mengetahui unit input dengan unit target output dan mempermudah melakukan klasifikasian agar memperlihatkan perbedaan (Afriani,2018).

2.5 Metode Convolutional Neural Network

Suatu metode jaringan saraf tiruan dengan prinsip teori stastitik yaitu teori Bayesian Clasification agar mengganti prinsip heuristik yang telah dipakai algoritma Backpropagation(Gregorius. 2012).

Convolutonal Neural Network (CNN) merupakan bagian metode machine learning dan peningkatan dari Multi Layer Perceptron (MLP), yang memiliki tujuan memproses gambar. Perbedaan CNN dan MLP terdapat pada jumlah neuron yang ada pada setiap cara yang dilakukan baik CNN maupun MLP. CNN sendiri dipresentasikan jadi 2 dimensi, sedangkan MLP hanya memiliki 1 dimensi. Pada gambar

2.2 akan menjelaskan bagaimana konsep CNN dan MLP

(29)

Berdasarkan jenis layernya Secara umum pada Convolutional Neural Network (CNN) mempunyai tiga layer, seperti berikut :

Gambar 2.2 Arsitektur dari CNN dan MLP (Mutmainah, 2019)

Pada Gambar 2.2 suatu MLP memiliki satu layer, tiap-tiap layer berisikan neuron (lingkaran putih). MLP mendapatkan data input satu dimensi lalu diproses pada jaringan sehingga keluar hasil. Setiap neuron pada dua layer yang bersampingan mempunyai ukuran nilai 1dimensi untuk menetapkan kualitas mode. Setiap input data layer akan melakukan operasi linear dengan nilai tertera, setelah itu hasil lalu di transfer lewat operasi non-linear atau bisa juga sebagai fungsi aktivasi.

(Putra I.W et al., 2016).

Dalam Convolutional Neural Network terdapat pemrosesan data dalam jaringan, yaitu data pada dua dimensi hingga operasi linear serta indikator CNN berbeda. CNN yang operasi linearnya menerapkan Convolution Operation, dan jenisnya tidak satu dimensi tapi berupa empat dimensi terdiri dari kumpulan kernel Convolution, seperti Gambar 2.8 ini. (Putra I.W et al., 2016)

(30)

Gambar 2.3 Convolutional Neural Network(Sumit, 2018) 1. Convolutional Layer

Operasi kovolusi dalam output layer sebelumnya dilakukan dalam convolutional layer. Dasar pembuatan sebuah CNN merupakan layer tersebut. Konvolusi merupakan mengimplementasi suatu fungsi berulangan pada output lainnya. Pada pengelolaannya, mengimplementasi suatu kernel dalama seluruh offset pada citra. Tujuan utama dilakukan konvolusi agar fitur terdapat pada citra inpu dapat di ekstrak. Dengan menggabung operasi linear berasal dari gambar yang digunakan berupa input data disebut dengan Operasi konvolusi. Lalu pada feature map dilakukan perkalian dot pada input juga mengubah semua bagian gambar dan memberikan hasil output.

h(i,j) = A*P1 + B*P2 +C*P3 + D*P4 + E*P5 + F*P6 + G*P7 + H*P8 + I*P9

Ket :

h(i,j) = Perkalian hasil matrix setiap kernels pada input P A-I = Value matrix input dikali matrix karnels

P1-9 = Matrix Value kernels dikali matirx in put image P

(31)

2. Max Pooling (Subsampling)

Dalam memperbesar perbedaan letak pada fitur yang terdapat Max operation maka digunakan proses Subsampling. Pembagian pada hasil dari Max Pooling grid bagian kecil berasal dari layer terdapat pada convolutional selanjutnya memperoleh value max dalam tiap-tiap grid agar meberikan susun matriks pada citra yang telah direduksi. Maksimum grid pada setiap warna(hijau, merah, kuning, biru) akan ditentukan maksimum warna. Pada bagian kanan grid hasil output dari setiap grid akan terlihat.

Meskipun mengalami pergeseran(translasi) fitur yang diperoleh tidak berubah. Mengurangi besarnya citra agar mempermudah perubahan pada suatu layer convolutional merupakan fungsi pooling layer.

Gambar 2.4 Operasi Max Pooling (Wayan,2006)

(32)

3. Fully Connected Layer

Pada saat tiap neuron mengalami perubahan hingga memperoleh hasil satu dimensi tidak ditemukan informasi spasial pada data, Pengimplementasian Layer ini hanya pada pabian akhir network. Pada layae ini, dilakukan proses Artificial Neural Network.

Gambar 2.5 Struktur Umum Metode CNN(Ashley,2020)

2.6 Penelitihan Terdahulu

Beberapa penelitian mengenai identifikasi penyakit kanker paru-paru pada citra medis chest X-Ray (CXR) dan penelitian terhadap objek yang berbeda dengan menggunakan metode convolutional neural network. (K.A.G.

Udeshani, R.G.N. Meegama & T.G.I. Fernando) melalui penelitian yang berjudul “Statistical Feature-based Neural Network Approach for the Detection of Lung Cancer in Chest X-Ray Images” melalukan pendeteksian kanker paru-paru dengan dua tahap, tahap pertama, meliputi input data, pre-processing yaitu dengan median filtering untuk mengilangkan efek contras dan noise pada citra , binary thresholding, lung region segmentation, feature extractiton dengan menggunakan gray level co-occurrence matrix(GLCM)), tahap kedua training of neural network dengan metode Statistical Feature-based Neural Network untuk di dapatkan output berupa hasil pendeteksian kanker paru-paru. Penelitian ini lebih fokus pada tahap pre-pocessing dari pada tahap segmentation sehingga kurangnya kecepatan pemrosesan pada citra yang menhasilkan output yang kurang optimal.

(33)

Selanjutnya ada penelitian telah dilakukan oleh (Dina Aboul Dahab, Samy S. A. Ghoniemy, Gamal M. Selim)dengan penelitian yang berjudul

“Automated Brain Tumor Detection and Identification Using Image Processing and Probabilistic Neural Network Techniques” struktur yang terdapat pada penelitian ini merupakan jaringan saraf tiruan probabilistik yang dimodifikasi dan ditingkatkan. Modifikasi didasarkan pada pemanfaatan otomatis wilayah minat tertentu (ROI) dalam area tumor pada gambar MRI. Dari setiap ROI, sekumpulan fitur yang diekstraksi termasuk bentuk tumor dan karakteristik intensitas diekstraksi dan dinormalisasi.

Setiap ROI kemudian diberi bobot untuk memperkirakan PDF dari setiap tumor otak dalam gambar MRI. Bobot ini digunakan sebagai proses pemodelan untuk memodifikasi PNN konvensional untuk diuji dengan menggunakan serangkaian gambar pemindaian MRI otak yang terinfeksi untuk mengklasifikasikan tumor otak. Penelitian selanjutnya dilakukan oleh (Sannasi Chakravarthy SR& Harikurma Rajaguru) melalui penelitian yang berjudul “Lung Canser Detection using Probabilistic Neural Network with modified Crow- Search Algorithm”. Penelitian ini menggunakan data (CT) scan paru- paru. Tahapan pre-processing 23 penelitian ini bertujuan untuk mengurangi noise yang ada pada gambar input. Feature extraction menggunakan Gray Level Co-occurence Matrix (GLCM) dan chaoyic crow search algorithm (CSSA) untuk feature selection, dan untuk tahap klasifikasi digunakan metode Probabilistic Neural Network (PNN).

Penelitian ini menggunakan crow search algorithm (CSA) pada tahap feature selection yang digunakan untuk memilih subset fitur optimal yang meningkatkan mengurangi panjang subset fitur yang meningkatkan akurasi output.

Penelitian selanjutnya dilakukan oleh (Afrianis Lubis,2018) melalui penelitian yang berjudul “Identifikasi Penyakit Kanker Paru-Paru Pada Citra Medis Chest X-Ray (CXR) Menggunakan Metode Backpropagation Neural Network” tahapan prepocessing pada penelitian ini terdiri dari

(34)

cropping scaling dan grayscaling. Tahap segmentation menggunakan metode Region of Interest(ROI) dan Edge Detection untuk memisahkan area kanker dan bukan kanker, untuk digunakan pada tahap feature extraction menggunakan Gray Level Co-occurennce Matrix(GLCM).

Diikuti tahap identification menggunakan Backpropogation Neural Network untuk menghasilkan output teridentifikasi kanker paru atau normal. Penelitian ini menggunakan metode Backpropogation Neural Network yang masih kurang dalam hal kecepatan training dibanding metode Probabilistic Neural Network yang menggunakan bayesian classifier dalam memberi pemecahan masalah umum untuk pedekatan pola dengan mengikuti pendekatan statistik. Kelebihan yang terdapat pada PNN adalah dapat memecahkan masalah yang berasal dari metode Backprogation, adapaun masalah tersebut seperti waktu diperlukan untuk melakukan pelatihan masih tergolong lama dan dataset yang diperlukan pada proses pembelajaran cukup banyak. (Kiranmayee, et al,. 2012).

(35)

Tabel 2.1 Judul dan Keterangan Penelian Sebelumya

No Penelitian Judul Keterangan

1. Thirach,

Ausawalaithong, Marukatat, Sanparith, Wilaiprasitporn (2018)

Prediksi kanker paru berdasarkan Chest X-ray menggunakan pendekatan deep learning.

Menggunakan teknik Class Activation

Mappings

(CAMs) , CNN architecture and transfer learning 2. Fernando,

Udeshani &

Meegama (2012)

Pendekatan Neural Network Berbasis Fitur Statistik untuk Deteksi Kanker Paru-Paru Pada Gambar Rontgen Dada

Mendeteksi Penyakit Kanker Paru- paru dengan menggunakan Statistical

Feature- based Neural Network 3. Grace Lusiana

Siregar (2019)

Pengidentifikasi kukurangan darah merah(anemia) Defisiensi Besi menurut Kelainan Sel Darah Merah Dengan

Menggunakan Metode Convolutinal Neural Network

Menggunakan metode

Convolutional untuk melakukan

identifikasi penyakit kekurangan darah merah Defisiensi Besi

4. Afriani Lubis Pengidentifikasian Kanker Paru-Paru

Mengidentifikasi Penyakit kanker

(36)

(2018) Pada Citra Medis Chest X- Ray

dengan Metode Backpropagation Neural Network

Paru- paru dengan

menggunakan Probabilistic Neural Network 5 Rezkinah Rambe

(2020)

Identifikasi Kanker Paru Pada Citra CXR Menggunakan

Metode Probabilitas Neural Network (PNN)

Mengidentifikasi penyakit kanker dengan tingkat akurasi 93.33%

dengan menggunakan PNN

(37)

2.7 Perbedaan dengan Penelitian Terdahulu

Dalam pengerjaan skripsi, tidak berhubungan dengan teknik Class Activation Mappings (CAMs) seperti pada yang dilakukan pada penelitian ( Thirach, Ausawalaithong, Wilaiprasitporn , Marukatat). Pada penelitian ini tidak menggunakan metode Feature- based Neural Network seperti yang dilakukan pada penelitian (K.A.G. Udeshani, R.G.N. Meegama &

T.G.I. Fernando). Penelitian tidak mengengidentifikasi sel darah merah (Grace Lusiana Siregar). Skripsi ini tidak berhubungan dengan metode PNN, seperti dilakukan pada penelitian (Afriani Lubis).

(38)

BAB 3 ANALISIS DAN PERANCANGAN SISTEM

Pembahas yang dilakukan adalah melakukan analisis juga desain sistem untuk memulai pengidentifikasi pada citra kanker paru-paru. Bab ini akan dimulai dengan melakukan analisis data yang ditelah dikumpulkan, pada beberapa tahapan pengolahan citra akan dilakukan analasis, selanjutnya dilakukan implemantasi metode Convolutional Neural Network. Setelah dilakukan analisis pada data yang dimiliki selanjutnya adalah tahap perancangan system interface.

3.1. Arsitektur Umum

Dalam melakukan identifikasi kanker paru maka diajukan metode penelitian disebabkan sel yang berkembang dalam tubuh tidak dapat dikontrol yang ditandai dengan bercak putih memiliki berbagai tahapan - tahapan. Tahap pertama dilakukan dengan pengumpulan data CXR Normal, dan CXR kanker paru (Abnormal) yang nantinya berfungsi untuk melakukan uji citra dan citra latih, lalu untuk meyakinkan besar piksel yang digunakan untuk melalukan proses citra CXR maka akan dilakukan proses scaling, kemudian memberikan warna yang seragam pada citra keabuan dengan tahap Grayscaling. Langkah selanjutnya adalah proses segmentasi yang meliputi edge lung detection dengan menggunakan threshold. Kemudian implementasi metode Convolutional neural network dilakukan untuk mengidentifikasi kanker paru-paru. Pada arsitektur umum dapat dilihat beberapa tahap yang akan terjadi seperti pada gambar 3.1

(39)

lmage Acquisition

Gambar 3.1 Arsitektur Umum Testing Dataset

Training Dataset Pre-pocessing

Grayscaling Scaling

Segmentation

Training

Testing

Learned Model

CNN Model Thresholding

Output :

Normal Dan Abnormal (Kanker)

Model Disimpan Convolutional Neural Network

Image Enhancement Balance Contrast Enhance Technique

(40)

3.2. Dataset

Data citra yang digunkan pada penelitian berupa (CXR) yang datanya diperoleh melalui Japanese society of radiology (JSRT) dan http://data.mendley.com . Japanese Society of Radiological Technology (JSRT) berkontribusi dalam meningkatkan ilmu pengetahuan, pengembangan dan kemajuan radiologi dalam hal aktivitas penelitian, pertukaran intelektual, dan komunikasi ilmiah dengan pihak-pihak yang berkepentingan. Pada penelitian ini diambil sebanyak 260 citra hasil Chest Xray (CXR) citra paru-paru yang dibagi menjadi dua bagian yaitu 130 citra CXR paru normal dan 130 citra CXR abnormal (kanker paru).

Ukuran gambar yang digunakan berukuran 1700 x 1700 piksel dengan eksistensi jpeg atau jpg. Seluruh data citra CXR yang dikumpulkan akan dilakukan pelatihan dan pengujian pada setiap data. Contoh data citra CXR paru-paru normal pada penelitian ini dapat dilihat pada gambar 3.2

Gambar 3.2 Contoh Citra CXR Paru-Paru Normal

(41)

Gambar 3.3 Contoh Citra CXR Paru-Paru Abnomal(Kanker)

Data training citra CXR paru-paru normal dan paru-paru abnormal pada penelitian ini, yaitu 100 data normal dan 100 data abnormal. Data testing citra CXR paru-paru normal dan paru-paru abnormal pada penelitian ini, yaitu 30 data normal dan 30 data abnormal. kemudian data dibagi menjadi 2 bagian, yaitu : 200 data training dan 60 data sebagai data testing yang dapat dilihat pada tabel 3.1.

Tabel 3.1 Pembagian Dataset yang Normal dan Abnormal Dataset Normal Abnormal(kanker) Total

Data Training 100 100 200

Data Testing 30 30 60

Jumlah Data 130 130 260

Tujuan Dari data training adalah melatih algoritma tersebut dengan merubah parameter yang ada untuk menyesuaikan dengan data yang telah diberikan sehingga dapat memahami informasi-informasi pada data tersebut. Sedangkan untuk data testing bertujuan untuk melakukan pengujian terhadap performa algoritma yang telah di latih sebelumnya.

(42)

3.3. Pre-processing

Pre-processing adalah tahapan untuk pemrosesan citra dan tujuannya mendapatkan hasil citra yang bagus agar diolah saat tahapan berikutnya.

Dalam tahap berikut ini meliputi tahap Scaling juga Grayscaling.

3.3.1 Scaling

Lakukan proses scaling dengan mengubah dimensi citra menjadi berukuran 320 x 320 piksel. Jika jumlah piksel semakin besar pula waktu yang diperlukan untuk melakukan proses pada citra yang akan diolah. Untuk mempersingkat waktu pada pengolahan gambar maka dilakukan scaling.

3.3.2 Grayscaling

Grayscale merupakan tahapan akhir pada proses preprocessing.

Grayscaling memiliki tujuan untuk membuat warna keabuan yang seragam pada citra lalu akan dilakukan pemrosesan pada citra CXR.

Warna keabuan yang terdapat pada citra asli terlihat tidak merata.

P1 = (R + G + B) / 3 = (198+ 198 + 198) / 3 = 198 P2 = (R + G + B) / 3 = (196 + 196 + 196) / 3= 196 P3 = (R + G + B) / 3 = (187 + 187 + 187) / 3= 187 P4 = (R + G + B) / 3 = (177 + 177 + 177) / 3= 177 P5 = (R + G + B) / 3 = (168 + 168 + 168) / 3= 168 P6 = (R + G + B) / 3 = (162 + 162 + 162) / 3= 162 P7 = (R + G + B) / 3 = (147+ 147 + 147) / 3= 147 P8 = (R + G + B) / 3 = (142 + 142 + 142) / 3 = 142 P9 = (R + G + B) / 3 = (141 + 141 + 141) / 3 = 141

(43)

Dalam gambar 3.2 citra paru-paru hasil grayscale dapat dilihat.

Gambar 3.4 Grayscale Paru-Paru

Kemudian hasil grayscale akan di representasikan dalam bentuk 5x5 pixel dan nilai R,G,B di cari pada setiap pixelnya. Pada Gambar 3.3 akan dijelaskan mengenai representasi dari citra grayscale pada citra paru-paru seperti gambar dibawah ini :

a. Citra Graysclace 3x3 pixel b.Citra pixel 3x3 Gambar 3.5 Representasi Citra Grayscale

(44)

Maka akan diperoleh nilai pada 9 pixel tersebut P1 = (R + G + B) / 3 = (198+ 198 + 198) / 3 = 198 P2 = (R + G + B) / 3 = (147 + 147 + 147) / 3= 147 P3 = (R + G + B) / 3 = (196 + 196 + 196) / 3= 196 P4 = (R + G + B) / 3 = (177 + 177 + 177) / 3= 177 P5 = (R + G + B) / 3 = (162 + 162 + 162) / 3= 162 P6 = (R + G + B) / 3 = (168 + 168 + 168) / 3= 168 P7 = (R + G + B) / 3 = (187+ 187 + 187) / 3= 187 P8 = (R + G + B) / 3 = (142 + 142 + 142) / 3 = 142 P9 = (R + G + B) / 3 = (141 + 141 + 141) / 3 = 141

3.4 Image Enhancement

Image enhancement merupakan suatu proses untuk mendapatkan hasil citra yang memudah untuk diinterpretasikan pada penglihatan manusia.

Proses Image Enhancement ini merupakan salah satu tahap awal yang dillakukan dalam pengolahan citra atau yang disebut dengan image preprocessing. Dalam peningkatan kualitas dari hasil proses image enhancement yang lebih baik maka akan dilakukan manipulasi citra yang berada dalam domain frekuensi. Adapun jenis-jenis perubahan yang dapat digunakan untuk mengubah citra domain spasial ke frekuensi antara lain seperti berikut ini, fourier, wavelet transform, Discrete Cosine Transform , dan lainnya. Adapun citra yang terbuat menjadi berkurang kualitasnya diakibatkan citra mengalami derau (noise) pada saat melakukan pengambilan gambar, dikirim melewati transmisi, gambar yang tidak jelas karna pencahayaan kurang baik, buram dan mungkin banyak lagi.

(45)

3.4.1 Balance Contrast Enhance Technique

Pembiasan warna merupakan salah satu penyebab utama komposit warna yang buruk pada gambar. Untuk menghilangkan ini, tiga pita yang digunakan untuk komposisi warna harus memiliki rentang nilai dan rata-rata yang sama. Teknik peningkatan kontras keseimbangan (BCET) adalah solusi sederhana untuk masalah ini. Menggunakan fungsi parabola atau kubik yang ditentukan oleh tiga koefisien, BCET dapat meregangkan (atau mengompres) gambar secara tepat ke kisaran nilai dan rata-rata yang diberikan oleh pengguna tanpa mengubah bentuk dasar histogram gambar. Program FORTRAN BCET menggunakan fungsi parabola (BCETP) dan kubik (BCETC) telah dikembangkan. Karena bias warna benar-benar dihindari dan rentang nilai penuh dari sistem tampilan digunakan dengan benar, komposit warna berkualitas tinggi serta gambar pita tunggal hitam dan putih diproduksi oleh BCET.

3.5 Segmentasi

Tahap segmentasi bertujuan untuk memisahkan area yang terdapat kanker dan area yang tidak terdapat kenker.

3.5.1 Threshold

Threshold memiliki tujuan agar dapat membuat objek terpisah dengan background. Segmentasi citra pada umumnya memiliki hasil seperti citra biner dimana foreground atau objek yang diinginkan memiliki warna putih = 1 namun pada bagian background yang dihapus mempunyai warna hitam = 0. Sebagai contoh perhitungan tresholding adalah sebagai berikut:

(46)

T=(fmax +fmin):2 T=(198+141):2 T=168,5

Keterangan :

T =Value pada threshold fmax = Max Value pada piksel fmin = Min Value pada piksel

Sehingga nilai threshold citra adalah

P1 = 198 > 168,5 = 1

P2 = 147 > 168,5= 0

P3 = 196 > 168,5= 1

P4 = 177 > 168,5= 1

P5 = 162 < 168,5= 0

P6 = 168 < 168,5= 0

P7 = 187 > 168,5= 1

P8 = 142 < 168,5= 0

P9 = 141 < 168,5= 0

(47)

Pada saat seluruh nilai dari threshold telah diperoleh dalam semua piksel, akan dilakukan update pada nilai citra grayscale dan nilai threshold akan diubah sama seperti gambar berikut. Citra hasil proses threshold dapat dilihat

Gambar 3.6 Nilai Threshold Citra 9 Piksel

Gambar 3.7 Citra Hasil Proses Thresholding

(48)

3.6 Convolutional Neural Network (CNN)

Convolutional Neural Network merupakan suatu metode mechine learning jaringan saraf tiruan yang digunakan pada penelitian ini untuk melakukan identifikasi Kanker Paru-Paru. Data input yang digunakan pada metode ini adalah citra Chest X-RAY yang telah melewati proses segmentasi. Pada mechine learning untuk mengelolah citra dibagi dalam 2 proses yaitu :

3.6.1 Training

Pada Training terdapat tahap dalam melakukan pembelajaran system pada data input agar memperoleh suatu keputusan yang diinginkan dengan bantuan metode machine learning yang digunakan, pada umumnya jumlah data input pada proses training lebih banyak daripada jumlah data input yang digunakan pada proses testing, dengan tujuan untuk meningkatkan kompleksitas algoritma pembelajaran terhadap pemetaan ciri citra yang beragam. Hasil dari proses ini berupa model yang nantinya digunakan pada proses testing. Data training atau data pengujian yang akan digunakan dalam pembelajaran pada machine learning, yaitu data yang menyesuaikan parameter dalam melakukan identifikasi untuk pemodelan. Dalam penelitian ini menggunakan data training sebanyak 200 data.

Parameter itu ialah ukuran yang digunakan dalam filter layer untuk mengurangi dimensi citra pada tahap pengkalian (feature map) dan max pooling. Fungsi parameter adalah menentukan keluaran model yang digunakan pada setiap layer convolutional neural network dengan menentukan setiap neuron pada jaringan tersebut harus diaktifkan atau tidak.

(49)

Pada proses learning dilakukan sampai tercapainya nilai optimum yang diinginkan, hingga terbentuk model Convolutional Neural Network yang memenuhi target. Loss function juga terdapat pada penelitian ini.

Loss Function memiliki tujuan untuk mengevaluasi dan mendiagnosis pengoptimalan model, semakin kecil nilai loss merupakan tanda bahwa model yang dibangun baik. Variabel acuan untuk tercapainya nilai optimum yang digunakan yaitu ketika nilai variabel akurasi ≥ 0.90 dan nilai loss ≤ 0.5. Setelah variabel acuan terpenuhi, yaitu pada epochs 15, maka weight dari model tersebut disimpan untuk digunakan pada proses testing.

Pada learning model, nilai loss dan akurasi system dapat dilihat pada gambar 3.6

Gambar 3.8 Hasil Loss dan Akurasi Pada Model

Pada Gambar 3.6 ketika epoch 15 pada data training memperoleh akurasi sebesar 0.95 atau 95% dan nilai loss sebesar 0.02.

(50)

3.6.2 Testing

Pada testing akan dilakukan proses pengujian model yang telah dibentuk pada proses training sebelumnya. Proses ini dilakukan untuk mengetahui seberapa efektif metode Covolutional Neural Network yang terdapat pada sistem Identifikasi kanker paru-paru.

Dalam mengidentifikasi menggunakan Convolutional Neural Network akan terdapat 2 layer utama yaitu : Feature Extraction Layers dan Fully connected Layers. Dimana Kovolusi akan menampilkan perubahan susunan data berdasarkan informasi data citra.

3.6 Output

Hasil output sistem akan diperoleh ketika semua tahap pemrosesan selesai dilakukan. Hasil yang dimaksud adalah apakah citra teridentifikasi normal atau abnormal (kanker).

(51)

3.7 Perancangan Sistem Antarmuka

Menu-menu yang terdapat pada sistem akan dijelskan pada perancangan ini untuk identifikasi kanker paru. Tujuan dilakukan perancangan agar memudahkan pengguna menjalankan aplikasi.

3.7.1 Tahap melakukan Perancangan antarmuka-sistem

Sistem antarmuka yang dirancang adalah gambaran untuk tampilan umum yang akan dibentuk pada aplikasi.

(52)

1. Rancangan untuk Tampilan Awal Halaman

Pada halaman awal akan terlihat tampilan pertama kali saat sistem pertamakali dijalankan. Tampilan halaman saat dijalankan akan menampilkan judul penelitian dan button untuk menuju halaman data yang akan dilatih dan halaman data yang akan diuji seperti yang terlihat pada gambar.

Gambar 3.9 Perancangan Tampilan Awal Antarmuka-Sistem

Ket :

a) Pada bagian A atau bagian yang pertama terlihat diatas pada program akan diperlihatkan judul skripsi, nama penulis dan logo universitas.

b) Pada tombol B ketika di klik maka akan menuju tampilan halaman Training.

c) Pada tombol C ketika di klik akan menuju tampilan halaman Testing.

JUDUL SKRIPSI

LOGO

A

GEBRIEL JULIENDI SITORUS 161402143

Testing

B C

Training

(53)

2. Rancangan Tampilan Halaman Data Latih

Dalam pembentukan rancangan pada halaman Training yang ditampilkan ada beberapa tahap yang ditampilkan. Adapun tahapan tersebut ialah menentukan dataset CXR citra latih yang digunakan.

Kemudian melalukan proses pelatihan data.

Gambar 3.10 Rancangan Tampilan Halaman Data Latih

Ket:

a. Tombol A pada File di input memiliki tujuan melihat lalu menentukan data training untuk data yang akan dilatih.

b. Button B berfungsi sebagai untuk memulai latih data yang telah dipilih.

c. Pada bagian Text Box Preprocess akan memperlihatkan keterangan data yang terjadi.

File di input Browse

A

C

Keterangan Proses

Training Train Data

B

(54)

3. Rancangan Tampilan Halaman Testing

Dalam pemembentuk tampilan perancarangan pada bagian testing ini terdapat bagian-bagian yang dilihat pada gambar rancangan berikut.

Adapun tahap tersebut ialah menentukan dataset CXR citra uji yang digunakan. Kemudian melalukan proses pengujian

Gambar 3.11 Perancangan Tampilan untuk Halaman Testing

Ket:

a. Input File A mempunyai tujuan melihat lalu menentukan data testing yang digunakan sebagai data uji.

b. Start B berfungsi sebagai untuk memulai testing data yang telah dipilih.

c. Pada bagian Text Box Hasil Prediksi yang memperlihatkan keterangan pemrosesan data yang terjadi.

HASIL IDENTIFIKASI

Testing Input File Bro

A

Start

B

D

(55)

BAB 4

IMPLEMENTASI DAN PENGUJIAN

Pembahasan dari hasil didapatkan yang berasal dari penggunaan metode Convolutional Neural Network saat mendeteksi kanker paru-paru melalui citra CXR dan sistem yang telah teruji sesuai dengan hasil analisis dan perancangan yang telah selesai dibahas pada bab sebelumnya.

4.1 Implementasi Sistem

Implementasi sistem dengan metode CNN mulai di-implementasikan pada sistem dengan bahasa pemograman Pyton seperti pada perancangan yang sudah dibentuk.

4.1.1 Spesifikasi software dan hardware

Minimum hardware juga software dimanfaatkan untuk membentuk penelitian ialah seperti ini:

1. Processor AMD A9-9425 RADEON R5, 5 COMPUTE CORES 2C

2. Memori RAM 4.00 GigaByte RAM DDR3

3. Harddisk capacity 500 GB

4. Windows operation system 10 Pro 64-bit

(56)

4.1.2 Implementasi sistem perancangan antarmuka

Memulai pengerjaan rancangan sistem menurut perancangan pada tahap sebelumnya merupakan seperti ini.

1. Awal Tampilan

Ketika program pertama kali dimulai maka akan muncul tampilan awal sistem. Pertama kali yang akan dilihat adalah judul penelitian yang terdapat pada bagian atas sistem, dan seterusnya hingga kebawah akan tertulis nama peneliti, beserta nim dan nama institusi. Pada bagian bawah terdapat dua button yang menuju pada halaman latih data dan testing data..

Gambar 4.1. Tampilan Halaman Awal Sistem

(57)

2. Tampilan untuk Halaman Latih Data

Saat latih data berjalan akan muncul button ketika Training Data dijalankan dan halaman untuk melakukan penelitian data identifikasi kanker paru. Terdapat beberapa bagian, yaitu bagian input data(normal dan abnormal) dan proses latih data.

Gambar 4.2. Halaman Latih Data

(58)

3. Halaman Testing

Tampilan ini adalah tampilan sistem dalam mengujian data untuk mengidentifikas data tersebut termasuk kanker paru-paru atau data normal dengan menggunakan metode Convolutional Neural Network.

Gambar 4.3. Tampilan Halaman Testing

(59)

4.1.3 Implementasi Data Citra CXR

Data citra CXR yang dimaksukkan ke dalam system merupakan data citra CXR yang telah didapatkan dari Japanese Society Of Radiology yang terdiri dari 260 data pasien dengan 130 data kanker paru-paru dan 130 data dengan paru-paru normal. Berikut ini merupakan data yang dapat dilihat pada tabel berikut

.

Gambar 4.4 Data citra CXR kanker paru-paru

Gambar 4.5 Data citra CXR paru-paru normal

(60)

Tabel 4.1 Rangkuman Data Citra CXR

No. Data Jenis

Citra

1. K(1) Kanker

2. K(2) Kanker

3. K(3) Kanker

4. K(4) Kanker

5. K(5) Kanker

(61)

6. K(6) Kanker

7. K(7) Kanker

8. K(8) Kanker

9. K(9) Kanker

10. K(10) Kanker

11. N(1) Normal

(62)

12. N(2) Normal

13. N(3) Normal

14. N(4) Normal

15. N(5) Normal

16. N(6) Normal

17. N(7) Normal

(63)

18. N(8) Normal

19. N(9) Normal

20. N(10) Normal

(64)

4.2 Prosedur Operasional

Gambar awal untuk sistem yang akan ditampilkan pada aplikasi adalah tampilan judul dan button untuk proses latih data dan uji data. Dalam halaman untuk Training telah dibuat tombol yang bernama Training Data dengan jenis yang sesui dengan indentifikasi citra yang dimiliki akan di training, yaitu normal juga kanker.

Gambar 4.6 Tampilan Button Menuju Halaman Training

Akan muncul tampilan untuk melakukan latih data yang terlihat pada Gambar 4.7

(65)

Gambar 4.7 Tampilan Tombol untuk upload data

Lalu muncul folder menpunya data latih normal dan abnormal(kanker) seperti gambar 4.8

Gambar 4.8 Tampilan Upload Data

Setelah data telah dipilih maka akan dimulai perhitungan oleh sistem sesuai jumlah data dan proses yang telah terjadi akan ditampilkan pada keterangan training data

(66)

Gambar 4.9 Tampilan Data Selesai di Upload

Setelah data telah di latih, selanjutnya akan melakukan uji data pada data yang dimiliki untuk mengidentifikasi data normal dan data abnormal(kanker) seperti gambar 4.10

Gambar 4.10 Halaman Testing

Akan muncul kotak dialog berisi data testing yang dapat dilihat pada gambar

(67)

Gambar 4.11 Tampilan Upload Data Abnormal Testing Setelah data telah dipilih kemudian akan dilakukan proses identifikasi dan akan memperlihatkan hasil Identifikasi

Gambar 4.12 Tampilan Proses dan Hasil Identifikasi

(68)

4.3 Pengujian Sistem

Data yang dimiliki pada sistem akan dilakukan pengujian. Citra uji data proses dengan menggunakan 30 data normal dan 30 data kanker sebagai data testing, dan 100 citra normal dan 100 citra kanker sebagai data training.

Tabel 4.2 Hasil Pengidentifikasian Citra Abnormal

Input Gambar

Asli

Thre shold

Output Status

1 Kanker(1) Teridentifikasi Berhasil

2 Kanker (2) Teridentifikasi Berhasil

(69)