Sistem Temu Kembali Citra Termal Kanker Payudara Pada Citra Rekam Medis

(1)

e-ISSN : 2541-1934

Sistem Temu Kembali Citra Termal Kanker Payudara Pada Citra Rekam Medis

Putri Serianti^1*, Rusdha Muharar ², Maulisa Oktiana³, Niza Aulia⁴

1,2,3Magister Teknik Elektro, Universitas Syiah Kuala, Banda Aceh Indonesia

4Fakultas Sains dan Teknologi, Universitas Ubudiyah, Banda Aceh Indonesia

*Koresponden email: [email protected]

Diterima: 25 Agustus 2023 Disetujui: 18 September 2023

Abstract

Medical record images (Medical Imaging) in the form of the thermal images can be able to detect of of breast cancer as early detector for the patient. The technic process is by utilizing the thermal image of an existing breast cancer patient, the thermal image of the new patient can be searched by the similarities the image of the old patient. In order to get the exactly results, required an accurate system to find the thermal imaging of breast cancer patients in the thermal image database. This study aims to build a Content Based Imaged Retrieval (CBIR) system for thermal images of breast cancer patients based on thermal images have been diagnosed by specialist doctors. This system with using a combination of color histogram features and dominant color descriptors. To determine the similarity between the query image and the dataset image with using of two methods that is measuring the Euclidean Distance and the Minkowski Distance. The results of this research show from testing the combination between the two features, the F-measure evaluation value obtained from the top 10 retrieval was in the healthy image category of 0.07 and 0.09 in the cancer image category. From the conducting testing process result, the concluded is the most appropriate feature in carrying out the breast thermal image retrieval process is using a combination of dominant color descriptor features and color histograms.

Keywords: thermal imaging, cbir, breast cancer, color coded histogram, dominant color descriptor, minkowski distance

Abstrak

Citra rekam medis dalam bentuk citra termal dapat digunakan untuk deteksi dini kanker payudara. Dengan memanfaatkan citra termal dari pasien kanker payudara yang sudah ada, citra termal dari pasien yang baru dapat dicari kemiripan terhadap citra dari pasien lama. Untuk mendapatkan hasil yang tepat, maka dibutuhkan suatu sistem yang bisa menemukan citra termal pasien kanker payudara dalam database citra termal dengan akurat. Penelitian ini bertujuan untuk membangun satu sistem Temu Kembali Citra Konten (TKCK) untuk citra termal pasien kanker payudara berdasarkan citra termal yang sudah ditangani oleh dokter ahli. Sistem ini menggunakan penggabungan fitur histogram warna dengan deskriptor warna dominan. Untuk mengukur kemiripan antara citra query dan citra dataset, digunakan dua metode pengukuran jarak Euclidean Distance dan Minkowski Distance. Hasil penelitian menunjukkan bahwa dari pengujian penggabungan antara dua fitur memperoleh nilai evaluasi F-measure dari temu kembali top 10 teratas adalah pada kategori citra sehat sebesar 0,07 dan 0,09 pada kategori citra kanker. sedangkan untuk pengujian fitur secara terpisah pada fitur histogram warna hasil menunjukkan dari temu kembali top 10 teratas nilai F-measure pada kategori sehat sebesar 0,11 dan pada kategori kanker sebesar 0,09. dari proses pengujian yang dilakukan dapat disimpulkan fitur yang paling tepat dalam melakukan proses temu kembali citra termal payudara yaitu menggunakan gabungan antara fitur deskriptor warna dominan dengan histogram warna.

Kata Kunci: citra termal, sistem temu kembali berbasis konten, kanker payudara, histogram warna, deskriptor warna dominan, minkowski distance

1. Pendahuluan

Dewasa ini kanker payudara merupakan penyakit yang mematikan dan rentan terkena pada wanita.

Kanker payudara terjadi ketika sel – sel pada jaringan di payudara tumbuh secara tidak terkendali.

Perkembangan sistem informasi semakin memudahkan dalam membuat rekam medis pasien. citra hasil rekam

(2)

Hal ini disebabkan oleh beberapa faktor, yang pertama adalah pengguna tidak dapat membedakan kemiripan nama pasien dalam satu database. Faktor lainnya adalah sistem tidak dapat menerjemahkan dengan benar variasi kata yang dimasukkan pengguna. Sistem TKCK digunakan untuk mencari gambar berdasarkan isi dari sebuah citra masukan, yang disebut fitur. Tujuan dari ekstraksi fitur adalah untuk mendapatkan konten yang paling representatif dari suatu gambar[1]. Beberapa fitur yang umum digunakan pada TKCK adalah fitur warna, tekstur dan juga bentuk. Dari ketiga jenis fitur tersebut penelitian yang menggunakan objek citra termal kanker payudara telah banyak dilakukan, namun, agar dapat melakukan pencarian sesuai dengan yang diinginkan, maka fitur yang digunakan adalah fitur warna. Dengan memanfaatkan citra visual maupun citra termal dari pasien yang sudah ada, Gambar termal disajikan sebagai petaan suhu objek yang disimpan dalam format gambar berwarna[2]. Citra termal pasien baru dapat dicari kemiripannya dengan citra pasien lama yang didiagnosis oleh dokter apakah citra termal pasien baru tersebut mirip dengan pasien kanker sebelumnya. Hasil pencarian kesamaan ini dapat dijadikan sebagai acuan awal sebelum ditangani oleh dokter ahli di bidangnya.

2. Metode Penelitian

A. Temu Kembali Citra Konten (TKCK)

Sistem TKCK merupakan suatu teknik untuk mencari suatu gambar dari kumpulan database berdasarkan kemiripan dengan gambar lain yang dijadikan masukan [4]. Cara kerja dari TKCK sekumpulan gambar dalam database dilakukan proses ekstrasi fitur menggunakan citra query. Setelah fitur gambar didapatkan maka dilakukan proses pencocokan kedua fitur tersebut dengan proses pengukuran kemiripan [6].

B. Deskriptor Warna Dominan

Dominant Color Descriptor (DCD) adalah teknik ekstraksi fitur berbasis warna. Fungsi DCD dibuat menggunakan informasi distribusi warna pada gambar. Deskriptor warna dominan atau DCD menyimpan informasi berupa indeks warna, persentase warna, variasi warna dan konektivitas warna spasial [4][5].

Persamaan DCD dirumuskan sebagai berikut.

𝐹={{𝐶𝑖,𝑃𝑖},𝑖=1,2,…,𝑁,𝑃𝑖∈[0,1]} (1)

C. Fitur Warna HSV

HSV merupakan warna hasil transformasi warna non linier dan primer, HSV merepresentasikan Hue, Saturation, dan Value [18]. Untuk mendapatkan nilai model warna HSV dari model warna RGB, dengan persamaan berikut.

𝑉 = 𝑀𝑎𝑥 (𝑅, 𝐺, 𝐵) (2)

𝑠 = {

^𝑉−^𝑚𝑖𝑛^{(𝑅,𝐺,𝐵)}

𝑉 , 𝑉 ≠ 0 (3)

D. Jarak Euclidean Disctance

60(G−B) V−Min (R,G,B)

H = 120 + 𝑉−𝑚𝑖𝑛 (𝑅,𝐺,𝐵) ^{60 (𝐵−𝑅)}

240 + 𝑉−𝑚𝑖𝑛 (𝑅,𝐺,𝐵) ^{60 (𝑅−𝐺)}

, 𝐽𝑖𝑘𝑎 𝑉 = 𝑅 , 𝑗𝑖𝑘𝑎 𝑉 = 𝐺

, 𝑗𝑖𝑘𝑎 𝑉 = 𝐵

(4)

Jarak Euclidean merupakan suatu metode penghitungan jarak terdekat antara suatu objek dengan objek lain dalam koordinat persegi panjang. Jarak Euclidean dirumuskan menggunakan persamaan (5) di bawah ini.

(3)

e-ISSN : 2541-1934

𝑑(𝒙, 𝒚) = √(𝑥1 − 𝑦1)2 + (𝑥2 − 𝑦2)2 + ⋯ + (𝑥𝑛 − 𝑦𝑛)2 (5)

Dengan 𝑑(𝑥, 𝑦) adalah jarak antara eucludien antara vektor 𝑥 dan 𝑦, 𝑥 adalah titik dengan vector 𝒙 = [𝑥𝑖,𝑥2,𝑥3, … … , 𝑥𝑛] ^𝑻 dan 𝒚 = [𝑦𝑖,𝑦2,𝑦3, … … , 𝑦𝑛] ^𝑻

E. Minkowski Distance

Minkowski distance merupakan sebuah metrik dalam ruang vektor didefinisikan (normed vector space) sekaligus dianggap sebagai generalisasi dari Euclidean distance dan Manhattan distance. Persamaan Minkowski distance dapat dilihat pada persamaan (6) dibawah ini.

𝑛 1

𝑑𝑝(𝑥, 𝑦) = (∑(𝑥𝑖 − 𝑦𝑖) ^𝑝 ) ^𝑝

𝑖=1

(6)

F. Pengukuran Akurasi

Pengukuran akurasi digunakan untuk mengetahui hasil dari penelitian. Pada penelitian ini pengukuran akurasi digunakan untuk mengetahui kinerja dari DWD dalam mengekstrak fitur warna pada citra payudara.

terdapat beberapa istilah yaitu Precision, Recall dan F- measure sebagai berikut.

a. Precision

Precision merupakan metode memperkirakan berapa banyak gambar relevan yang diambil dari seluruh gambar yang diambil atau ditampilkan. Rumus perhitungan Precision dapat dilihat dari persamaan (7) sebagai berikut.

𝑃 = _{𝑇𝑃+𝐹𝑃}^𝑇𝑃

(7) dengan TP adalah jumlah gambar relevan yang terambil (retrieved), dan FP adalah jumlah gambar yang terambil (retrieved) namun tidak relevan.

b. Recall

Recall merupakan metode evaluasi yang digunakan untuk memperkirakan jumlah gambar yang muncul dengan total data dalam database sesuai dengan citra masukan. Rumus perhitungan Recall dapat dilihat dari Persamaan (8) sebagai berikut.

𝑅 = _{𝑇𝑃+𝐹𝑁}^𝑇𝑃

(8) dengan FN adalah total jumlah gambar yang tidak relevan dan tidak terambil (not retrieved)

c. F-measure

F-measure adalah rata - rata antara perolehan nilai Recall dan Precision . F-measure juga digunakan sebagai salah satu perhitungan evaluasi data TKCK yang menggabungkan Recall dan Precision. untuk menghitung nilai F-measure dapat dilihat dari persamaan (9) dibawah ini.

G. Perancangan dan Simulasi

𝐹1 = 2𝑥 ^𝑅∗𝑃

𝑅+𝑃

(9)

Pada proses perancangan dan simulasi TKCK dilakukan untuk mendapatkan hasil diagnosis pasien yang sudah atau belum ditangani oleh dokter berdasarkan hasil rekam medis pasien yang kanker maupun tidak

(4)

Gambar 2. Alur Simulasi Sistem Temu Kembali Citra Termal Kanker Payudara

Gambar 2 merupakan Alur Simulasi Sistem TKCK Thermal Kanker Payudara, Tahapan pertama adalah proses input data query, adapun yang menjadi query adalah citra termal payudara. Tahap selanjutnya adalah pre-processing. Tujuan untuk menghasilkan fitur yang lebih optimal. Langkah selanjutnya adalah proses konversi warna dari ruang warna RGB ke HSV. Setelah proses konversi warna dari RGB ke HSV, Langkah selanjutnya mencari fitur dari deskriptor warna dominan. Setelah fitur vektor didapatkan langkah selanjutnya melakukan pembangkitan fitur vektor dari histogram warna, setelah kedua fitur vektor dari DWD dan histogram warna didapatkan. Langkah selanjutnya adalah mengukur jarak kemiripan menggunakan dua metode yaitu Euclidean dan Minkowski dari proses pengukuran jarak tersebut maka dicari nilai paling terkecil diantara semua fitur vektor, selanjutnya di dapatkan hasil dari temu kembali citra payudara. Selanjutnya dilakukan evaluasi kinerja dari pengukuran akurasi dengan cara menghitung nilai nilai Recall, Precision, dan F- measure. Data dipresentasikan dalam Tabel 1.

Tabel 1. Hasil temu kembali citra termal payudara dengan query 1 kategori kanker Jenis Jumlah temu

kembali

Kanker Sehat

Top 10 10 0

Top 20 20 0

Top 30 27 3

Query 1 Top 40 36 4

Citra Top 50 44 6

Kanker Top 60 52 8

Top 70 62 8

Top 80 72 8

Top 90 80 10

Data set Termal Data Query Termal

Penggabungan Fitur DWD dan HW Pengukuran Kemiripan

Fitur (Eucludian Distance dan Minkowski Distance)

Ekstraksi Fitur HW Preprocessing

Kuantisasi HSV Termal (RGB)

Preprocessing

Kuantisasi HSV Termal (RGB)

Penggabungan Fitur DWD dan HW

Ekstraksi Fitur HW

Ekstraksi Fitur DWD

Hasil Temu Kembali Citra Payudara

(5)

e-ISSN : 2541-1934

3. Hasil dan Pembahasan

Pada penelitian ini dilakukan empat tahapan simulasi tahap pertama fitur histogram warna. Tahap kedua fitur DWD, Tahap ketiga penggabungan fitur histogram warna dengan DWD pengukuran jarak dengan Eucludian Distance, dan simulasi ke empat ketiga penggabungan fitur histogram warna dengan DWD pengukuran jarak dengan Eucludian Distance.

A. Hasil Temu Kembali Fitur Histogram Warna

Hasil temu kembali citra termal kanker payudara menggunakan fitur histogram untuk kategori sehat dan kaker dapat dilihat pada Gambar 3. Dari dua puluh hasil teratas untuk kategori sehat ada enam citra yang tidak relevan yang pada top 6, 9, 10, 11, 14, 16. Untuk kategori kanker ada sebelas citra yang tidak relevan yang terdapat pada top 4,6,7,8,10,11,12,17,18,19,20.

(a) Citra Query (a) Citra Query

(b) Dua puluh hasil temu kembali teratas query Sehat (b) Dua puluh hasil temu kembali teratas query Kanker Gambar 3. Hasil temu kembali citra termal payudara dengan query citra sehat dan kanker

B. Hasil Temu Kembali Deskriptor Warna Dominan

Hasil temu kembali citra termal kanker payudara menggunakan fitur deskriptor warna dominan untuk citra kanker dapat dilihat pada Gambar 4.

(6)

Gambar 4 menunjukkan dua puluh hasil teratas dari hasil temu kembali untuk query citra sehat. ada tiga citra yang tidak relevan berada pada urutan 12, 14, dan 16. Dan untuk kategori kanker ada empat citra kanker yang berhasil ditemu kembalikan yang berada pada urutan top 5,14,18,19 dari dua puluh citra, Pengukuran kinerja dilakukan menggunakan Recall, Precision, dan F-measure.

C. Hasil Temu Kembali Fitur Kombinasi HW dan DWD Pada Pengukuran Jarak Eucludien Distance Hasil teratas dari hasil temu kembali citra termal kanker payudara dengan masukan berupa citra sehat.

ada tiga citra hasil temu kembali yang berbeda dari kategori citra sebenarnya. Yang berada urutan 12, 14, dan 16. Sedangkan pada kategori kanker ada empat citra hasil temu kembali yang sesuai dengan kategori dari citra query yang terdapat pada urutan top 5,14,18,19. hasil temu kembali citra termal kanker payudara dengan masukan berupa citra sehat sebagai Gambar 5 berikut.

D. Hasil Temu Kembali Fitur Kombinasi HW dan DWD Pada Pengukuran Jarak Minkowski Distance

Hasil temu kembali citra termal payudara menggunakan penggabungan fitur deskriptor warna dominan dengan histogram warna dengan jarak minkawski distance dapat dilihat pada Gambar 6.

(7)

e-ISSN : 2541-1934

1,00 0,80 0,60 0,40 0,20 0,00

0,00 0,10 0,20 0,30 0,40 0,50 Recall

Sehat Kanker Recall Sehat Kanker

0,80 0,60 0,40 0,20 0,00

0,00 0,10 0,20 0,30 0,40 0,50 Recall

Sehat Kanker

Hasil teratas dari hasil temu kembali citra termal kanker payudara dengan masukan berupa citra sehat.

Tidak ada citra yang tidak relevan terambil, Sedangkan pada kategori kanker ada satu citra yang tidak relevan yang terdapat pada urutan top 5.

Berikut grafik perbandingan kinerja Recall terhadap Precision pada citra query sehat dan kanker berdasarkan hasil temu kembali top 10 teratas sampai top 100 teratas sesuai dengan kategori simulasi, dapat dilihat pada Gambar 7 sampai dengan Gambar 10 berikut.

1,00 0,80 0,60 0,40 0,20

0,00

0,00 0,10 0,20 0,30 0,40 0,50

Gambar 7. Perbandingan Recall terhadap Precision pada citra query sehat dan kanker untuk fitur histogram warna (HW)

Gambar 8. Perbandingan Recall terhadap Precision pada citra query sehat dan kanker untuk fitur descriptor warna dominan (DWD)

PrecisionPrecisionPrecision

(8)

Gambar 10. Perbandingan Recall terhadap Precision pada citra query sehat dan kanker penggabungan fitur HW dengan DWD menggunakan Minkowski distance

Gambar 7 menunjukkan perbandingan nilai Recall terhadap Precision pada citra query sehat dan kanker menggunakan fitur histogram warna, dimana hasil untuk query sehat menunjukkan semakin meningkat nilai Recall, maka semakin menurun nilai Precision. Hasil ini memaparkan semakin banyak citra yang dimunculkan maka semakin banyak pula citra yang tidak sesuai yang muncul. Sedangkan pada query kanker hasil menunjukkan bahwa kenaikan nilai Recall tidak menurunkan nilai Precision secara signifikan. Semakin banyak citra yang dimunculkan maka semakin banyak pula citra dalam kategori yang sama yang muncul. Hasil evaluasi nilai F-measure dapat dilihat pada Tabel 2.

Gambar 8 menunjukkan perbandingan nilai Recall terhadap Precision pada citra query sehat menggunakan fitur deskriptor warna dominan, dimana hasil menunjukkan bahwa nilai Precision meningkat Ketika nilai Recall berada diantara 0,1 dan 0,3. Setelah nilai Recall berada di atas 0,3, maka nilai Recall menurun. Hal ini menunjukkan bahwa dengan memunculkan nilai temu lebih sedikit, maka sebagian besar citra yang bangkitkan salah. Sedangkan pada query kanker hasil menunjukkan kenaikan nilai Recall menurunkan nilai Precision hal ini menggambarkan bahwa semakin banyak citra yang dimunculkan maka semakin banyak pula citra yang bukan kategori kanker yang muncul. Hasil evaluasi nilai F-measure dapat dilihat pada Tabel 3.

Gambar 9 menunjukkan perbandingan nilai Recall terhadap Precision pada citra query sehat menggunakan fitur gabungan histogram warna dengan deskriptor warna dominan dengan pengukuran jarak eucludien distance, nilai Precision menurun secara pelan-pelan seiring dengan meningkatnya Recall. Hal ini menunjukkan semakin banyak nilai temu kembali yang dimunculkan, maka semakin banyak citra yang salah yang dibangkitkan. Sedangkan pada query kanker nilai Precision mengalami penurunan drastis ketika nilai Recall berada dibawah 0,15. Akan tetapi, ketika nilai Recall berada di atas 0,15 nilai Precision meningkat kembali. Hasil evaluasi nilai F-measure dapat dilihat pada Tabel 4.

Gambar 10 menunjukkan perbandingan nilai Recall terhadap Precision pada citra query sehat menggunakan fitur deskriptor warna dominan dengan pengukuran jarak minkowski distance, hasil menunjukkan bahwa nilai Precision menurun secara tajam dengan meningkatnya Recall. Nilai Recall terkecil di atas 0,4 citra diluar kategori sehat tidak banyak meningkat.. Sedangkan pada query kanker penurunan ketika nilai Recall berada dibawah 0,15. Akan tetapi, ketika nilai Recall berada di atas 0,15, maka nilai Precision meningkat kembali. Hasil evaluasi nilai F-measure dapat dilihat pada Tabel 5.

Tabel 2. Hasil evaluasi F-measure terhadap citra kategori sehat dan kanker 0,80

0,60 0,40 0,20

0,00

0,00 0,20 0,40

Recall

0,60 0,80

Sehat Kanker

Precision

Jumlah Temu Kembali

F-measure Sehat F-measure Kanker

Top 10 0,11 0,09

Top 20 0,18 0,15

Top 30 0,24 0,21

Top 40 0,27 0,26

Top 50 0,29 0,31

Top 60 0,32 0, 35

Top 70 0,34 0,38

(9)

e-ISSN : 2541-1934

Tabel 3. Hasil evaluasi F-measure terhadap citra kategori sehat dan kanker Jumlah Temu

Kembali

Top 10 0,06 0,07

Top 20 0,14 0,13

Top 30 0,21 0,18

Top 40 0,27 0,20

Top 50 0,34 0,23

Top 60 0,39 0,26

Top 70 0,44 0,28

Top 80 0,47 0,30

Top 90 0,49 0,33

Top 100 0,51 0,36

Tabel 4. Hasil evaluasi F-measure terhadap citra kategori sehat dan kanker Jumlah Temu

Kembali

Top 10 0,10 0,09

Top 20 0,19 0,14

Top 30 0,24 0,20

Top 40 0,27 0,25

Top 50 0,28 0,32

Top 60 0,31 0,37

Top 70 0,34 0,41

Top 80 0,36 0,46

Top 90 0,37 0,51

Top 100 0,37 0,56

Tabel 5. Hasil evaluasi F-measure terhadap citra kategori sehat Jumlah Temu

Kembali

F-measure Sehat

F-measure Kanker

Top 10 0,07 0,09

Top 20 0,13 0,15

Top 30 0,18 0,23

Top 40 0,21 0,30

Top 50 0,25 0,35

Top 60 0,30 0,40

Top 70 0,33 0,46

Top 80 0,36 0,51

Top 90 0,38 0,55

Top 100 0,38 0,59

4. Kesimpulan

Berdasarkan hasil simulasi dapat disimpulkan bahwa dalam pengujian sistem temu kembali citra dengan objek termal payudara baik query sehat dan kanker dilakukan dengan empat tahap pengujian. Hasil temu kembali citra sehat dan kanker menggunakan fitur histogram warna dengan hasil citra yang tidak relevan untuk kategori sehat sebanyak 6 citra, dan untuk kategori kanker sebanyak 11 citra. Untuk hasil temu kembali menggunakan fitur deskriptor warna dominan jumlah citra sehat yang tidak relevan sebanyak 3 citra, dan yang kanker sebanyak 4 citra, dan untuk hasil temu kembali menggunakan gabungan fitur DWD dengan HW menggunakan eucludien pada kategori sehat sebanyak 4 citra.

Pada kategori kanker sebanyak 3 citra, hasil temu kembali menggunakan gabungan fitur DWD dengan HW menggunakan minkowski pada kategori sehat semua citra relevan, dan citra pada kategori kanker yang tidak

(10)

5. Referensi

[1] B.F. Jones, G. Schaefer, and S. Y. Zhu. "Content-based image retrieval for medical infrared images."

In The 26th Annual International Conference of the IEEE EMBS, San Francisco, USA, 2004.

[2] H. D. Benítez, and G. I. Alvarez, “Content based thermal images retrieval”, In International Conference on Image and Signal Processing, 2010, pp. 479-487.

[3] F. Faridah, K. Munadi, and F. Arnia, “Aplikasi Histogram Discrete Cosine Transform (DCT) Untuk Sistem Temu Kembali Citra Termal Berbasis Konten”, Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI), vol. 2, no. 1, pp. 38-42, 2019.

[4] Y. Dhyanti, K. Munadi, and F. Arnia, “Penerapan Deskriptor Warna Dominan untuk Temu Kembali Citra Busana pada Peranti Bergerak”, Jurnal Rekayasa Elektrika, vol. 12, no. 3, pp. 104-110, 2016.

[5] S. Sergyán, “Useful and effective feature descriptors in content-based image retrieval of thermal images”, In 2012 4th IEEE International Symposium on Logistics and Industrial Informatics, pp. 55- 58, 2012.

[6] R.R. Saritha, V. Paul, and P.G. Kumar, “Content based image retrieval using deep learning process”, Cluster Computing, vol. 22, no. 2, pp. 4187-4200, 2019.

[7] M.B. Al Rasyid, F. Arnia, and K. Munadi, “Histogram statistics and GLCM features of breast thermograms for early cancer detection”, In 2018 International ECTI Northern Section Conference on Electrical, Electronics, Computer and Telecommunications Engineering (ECTI-NCON), Thailand, 2018, pp. 120-124.

[8] R. Roslidar, K. Saddami, F. Arnia, M. Syukri, and K. Munadi, “A study of fine- tuning CNN models based on thermal imaging for breast cancer classification”, In 2019 IEEE International Conference on Cybernetics and Computational Intelligence (CyberneticsCom), Banda Aceh: Indonesia, 2019, pp.

77-81.

[9] L.F. Silva, D.C.M. Saade, G.O. Sequeiros, A.C Silva, A.C. Paiva, R.S. Bravo, and A. Conci, “A new database for breast research with infrared image”, Journal of Medical Imaging and Health Informatics, vol. 4, no. 1, pp. 92-100, 2014.

[10] B. Hapke, Theory of reflectance and emittance spectroscopy, United Kingdom: Cambridge university press, 2012.

[11] E. Y.-K. Ng, "A review of thermography as promising non-invasive detection modality for breast tumor", International Jurnal Thermal Science., vol. 48, no. 5, pp. 849-859, May 2009.

[12] R. R. Devi and G. S. Anandhamala, "Recent trends in medical imaging modalities and challenges for diagnosing breast cancer,"Biomedic Pharmacology Jurnal., vol. 11, no. 3, pp. 1649-1658, Sep. 2018.

[13] L. Shapiro, and G. Stockman, Computer vision, New Jersey: Prentice Hall. Inc, 2001.

[14] W. Surong, C. Liang-Tien, and D. Rajan, “Image Retrieval Using Dominant Color Descriptor”, Proceedings of the International Conference on Imaging Science, Systems and Technology (CISST '03), Nanyang, Singapore, 2003.

[15] N. Aulia, F. Arnia, and K. Munadi, “HOG of Region of Interest for Improving Clothing Retrieval Performance”, International Conference on Cybernetics and Computational Intelligence (IEEE Cyberneticscom)), Banda Aceh, 2019.

[16] K. Azima, K. Munadi, F. Arnia, and M. Oktiana, “Identifikasi Tingkat Kematangan Kelapa Sawit Berbasis Pencitraan Termal dengan Deskriptor Warna Dominan,” Jurnal Rekayasa Elektrika., vol. 15, no. 1, 2019.

[17] M. Nishom, “Perbandingan Akurasi Euclidean Distance, Minkowski Distance, dan Manhattan Distance pada Algoritma K-Means Clustering berbasis Chi-Square,” Jurnal Informatika Pengembangan Information Technology, vol. 4, no. 1, pp. 20–24, 2019.

[18] C. Mutia, F. Arnia, and R. Muharar, “Improving the performance of CBIR on islamic women apparels using normalized PHOG,” Bulletin of Electrical Engginering and Informatics, vol. 6, no. 3, pp. 271–

280, 2017.

[19] N. E. R. Pah, S. A. S. Mola, and A. Y. Mauko, “Ekstrasi Ciri Warna HSV Dan Ciri Bentuk Moment Invariant Untuk Klasifikasi Buah Apel Merah,” Jurnal Komputer dan Informatika., vol. 9, no. 2, pp.

142–153, 2021.

[20] A. E. Minarno, K. M. Ghufron, T. S. Sabrila, L. Husniah and F. D. S. Sumadi, "CNN Based