IDENTIFIKASI PENYAKIT KANKER PARU-PARU PADA CITRA …

1

IDENTIFIKASI PENYAKIT KANKER PARU-PARU PADA CITRA

MEDIS CHEST X-RAY (CXR) MENGGUNAKAN METODE

BACKPROPAGATION NEURAL NETWORK

SKRIPSI

AFRIANI LUBIS

131402070

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2018

Universitas Sumatera Utara

2

IDENTIFIKASI PENYAKIT KANKER PARU-PARU PADA CITRA

MEDIS CHEST X-RAY (CXR) MENGGUNAKAN METODE

BACKPROPAGATION NEURAL NETWORK

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah

Sarjana Teknologi Informasi

AFRIANI LUBIS

131402070

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2018


i


ii

PERNYATAAN

IDENTIFIKASI PENYAKIT KANKER PARU-PARU PADA CITRA MEDIS

CHEST X-RAY (CXR) MENGGUNAKAN METODE BACKPROPAGATION

NEURAL NETWORK

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa

kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, 30 Juli 2018

AFRIANI LUBIS

131402070


iii

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. Bapak Prof. Runtung Sitepu, SH., M.Hum selaku Rektor Universitas Sumatera

Utara.

2. Bapak Prof. Dr. Drs. Opim Salim Sitompul, M.Sc selaku Dekan Fasilkom-TI

Universitas Sumatera Utara.

3. Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc selaku Ketua Program Studi

S1 Teknologi Informasi dan Ibu Sarah Purnawati, ST, M.SC. selaku sekertaris

Program Studi S1 Teknologi Informasi Universitas Sumatera Utara..

4. Ibu Ulfi Andayani, S.Kom., M.Kom selaku Dosen Pembimbing I dan Bapak

Romi Fadillah Rahmat, B.Comp.Sc., M.Sc selaku Dosen Pembimbing II yang

telah memberikan bimbingan dan saran kepada penulis.

5. Ibu Sarah Purnawati, ST, M.SC selaku pembanding pertama dan Bapak Ainul

Hizriadi, S.Kom, M.Sc. selaku pembanding kedua yang telah memberikan

saran dan kritik membangun dalam penyempurnaan skripsi ini.

6. Ibu Salmiah Hasibuan, S.Sos selaku Kasubag Mahasiswa Program studi S1

Teknologi Informasi Universitas Sumatera Utara yang memberikan motivasi

dan saran selama Proses Pendidikan kepada penulis.

7. Ayahanda M. yani (Alm) dan Ibunda Susilawati (Almh) semoga ini menjadi

salah satu Amal jariyah terbaik yang selalu mengalir agar diberikan tempat

terbaik di sisi Allah SWT.

8. Bapak H.Baharuddin Sinaga (Alm) dan Ibunda Hj. Asriah Rahim, S.Pd. yang

selalu memberikan perhatian, semangat, mendoakan dan mendukung secara

moral ataupun material kepada penulis.

9. Mardiana, Riski Afandi, Dila Suryani selaku adik-adik saya yang selalu

memberikan semangat kepada penulis.


iv

10. Syafridal Sinaga, SE., Ery Candra Sinaga, ST., Alamsyah Sinaga dan Radian

Arfan Sinaga selaku abang-abang saya tiada henti memberikan perhatian,

kasih sayang, semangat dan dukungan kepada penulis.

11. Keluarga besar Rahim Family dan Zainal Affan Family yang juga selalu

memberikan dukungan dan semangat kepada penulis.

12. Sahabat terbaik Rafika Misni Pohan, Syawal Hendra, Lailatul Fitri, dan Adi

Dermawan, khufrin simanullang, Melur, M abdul gani S.kom, M rizky lubis,

abd latif wahid S.kom yang memberikan semangat dan dukungan kepada

penulis.

13. Sahabat WS SQUAD Safri Hernina S.Kom, Purnama Sari S.Kom, Fatimah

S.Kom, Nurajijah Naibaho S.Kom, Nur Halimah S.Kom yang selalu

memberikan dukungan, mendengar keluh kesah saat pengerjaan skripsi ini.

14. Teman Kost Malling Nur Solihatun S.S, Siti Annisa S.S, Supia Sari SE, Kiki

Safitri SE, Sri Lamtiar SE, Afmita Angraini Amd, Halimatusa’diah

Simangunsong S.S, Nonita Simamora, Sasnia, Dona, nirwana yang

menampung segala hal cerita lagi senang maupun sedih memberikan nasehat

dan sebagai saudara yang berbeda orangtua.

15. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat

penulis ucapkan satu persatu yang telah membantu penyelesaian skripsi ini.

Semoga Allah SWT melimpahkan berkah kepada semua pihak yang telah

memberikan bantuan, perhatian, serta dukungan kepada penulis dalam

menyelesaikan skripsi ini.

Medan, 30 Juli 2018

Penulis


v

ABSTRAK

Kanker adalah pertumbuhan dan penyebaran yang tidak terkontrol dari sel. Salah satu

jenis kanker yang paling mematikan adalah kanker paru-paru. Kanker paru-paru

adalah pertumbuhan sel kanker yang tidak terkendali dalam jaringan paru. Kanker

paru-paru merupakan penyebab kematian utama dari semua kematian akibat kanker

baik pada pria maupun wanita. Kanker paru di diagnosa melalui chest X-ray (CXR)

atau lebih dikenal dengan foto rontgen. Pemeriksaan radiologi CXR ini sangat

membantu proses diagnosis dan identifikasi medis pada penyakit paru. Pengetahuan

masyarakat yang masih minim dalam membaca hasil foto rontgen menyebabkan

dibutuhkannya tenaga ahli seperti dokter atau tenaga medis lain untuk membacanya

secara manual. Membaca secara manual masih memungkinkan terjadinya kesalahan

dalam pendiagnosaan penyakit. Penegakan diagnosis penyakit ini membutuhkan

keterampilan dan sarana yang baik. Karena apabila tidak segera ditangani, bisa

menyebar dan bermetastasis dan akhirnya meningkatkan derajat keparahan. Metode

yang diajukan pada penelitian ini adalah Backpropagation Neural Network untuk

mengidentifikasi citra adalah normal atau kanker. Tahapan yang dilakukan pada

identifikasi ini adalah pre-processing, segmentation dengan k-means clustering,

feature extraction dengan Gray Level Co-Occurrence Matrix dan identification. Pada

penelitian ini ditunjukkan bahwa metode yang diajukan mampu mengidentifikasi

kanker dengan akurasi 75%, sensitifitas 75% dan spesifisitas 75%.

Kata kunci : kanker paru, segmentasi citra, gray level co-occurrence matrix, k-means

clustering dan backpropagation neural network .


vi

LUNG CANCER IDENTIFICATION BY CHEST X-RAY IMAGING

USING NEURAL NETWORK BACKPROPAGATION

ABSTRACT

Cancer is uncontrolled growth and disseminate of cells which can not die. One kind of

cancer is lung cancer which is the uncontrolled growth of abnormal cells that start off

in one or both lungs. Lung cancer is the most common caused of cancer which related

death in people both men and women. Performing chest radiograph is one of the first

investigated steps for identification lung cancer. Chest radiograph helping the to

reveal an obvious mass and also to provide more information about the type and

extend of desease. However radiologists is need to be aware that there also important

differences in what each specialist needs from imaging to provide appropriate

treatment. Therefore, an accurancy assessment of the extend of disorder is critical to

determine. If they have not do the threatment as soon as possible it will be invade and

destroy the healthy tissues around them and can be spread to other parts of healthy

organs. The method proposed in this research for lung cancer identification by chest x-

ray imaging is neural network backpropagation. Pre-processing, segmentation using

K-means Clustering, feature extraction using Gray level Co-occurrence Matrix and

identifcation using Backpropagation are done by this research to identified the

existence of cancer especially lung cancer. This research shows that proposed method

is able to indentify the presence of cancer with accuracy 75%, sensitivity of 75% and

specificity of 75%.

Keywords : lung cancer, image segmentation, gray level co-occurrence matrix, k-

means clustering dan backpropagation neural network.


vii

DAFTAR ISI

Hal.

PERSETUJUAN ii

PERNYATAAN iii

UCAPAN TERIMAKASIH v

ABSTRAK vi

ABSTRACT vii

DAFTAR ISI viii

DAFTAR TABEL x

DAFTAR GAMBAR xi

BAB 1 PENDAHULUAN 1

1.1. Latar Belakang 1

1.2. Rumusan Masalah 3

1.3. Batasan Masalah 3

1.4. Tujuan Penelitian 4

1.5. Manfaat Penelitian 4

1.6. Metodologi 4

1.7. Sistematika Penulisan 5

BAB 2 LANDASAN TEORI 7

2.1. Paru-Paru 7

2.2. Kanker Paru-Paru 8

2.2.1. Faktor Resiko 9

2.2.2. Gejala Kanker Paru-Paru 11


viii

2.2.3. Diagnosis Kanker Paru-Paru 11

2.2.3.1. Anamnesis 11

2.2.3.2. Pemeriksaan Fisik 11

2.2.3.3. Pemeriksaan Laboratorium 12

2.2.3.4. Radiologi 12

2.2.3.5. Sitologi 13

2.2.3.6. Biopsi 13

2.2.3.7. Angiografi 13

2.2.3. Pencegahan Kanker Paru-Paru 13

2.3. Pengenalan Citra 14

2.3.1. Citra Medis 14

2.3.2. Digitalisasi Citra 14

2.3.2.1. Citra Biner (Binary Image) 15

2.3.2.2. Citra Keabuan (Grayscale Image) 15

2.3.2.3. Citra Berwarna(Color Image) 16

2.3.3. Format Citra Digital 17

2.4. Pengolahan Citra 18

2.4.1. Grayscaling 18

2.4.2. Cropping 18

2.4.3. Scaling 19

2.4.4. Thresholding 19

2.4.5. K-means Clustering 20

2.4.6. Perkalian Citra 21

2.4.7. Minimum Filter 22

2.4.8. Dilasi 22

2.4.9. Canny Edge Detection 23

2.5. EkstraksiFitur 24

2.5.1. Gray Level Co-occurence Matrix (GLCM) 25

2.5.1.1. Energy 27

2.5.1.2. Homogenity 28

2.5.1.3. Contrast 28

2.5.1.4. Dissimilarity 28


ix

2.5.1.5. Entropy 29

2.5.1.6. Variance 29

2.5.1.7. Correlation 29

2.6. Backpropagation Neural Network 30

2.7. PenelitianTerdahulu 33

BAB 3 ANALISIS DAN PERANCANGAN 36

3.1. Arsitektur Umum 36

3.2. Dataset 38

3.3. Pre-Processing 38

3.3.1. Cropping 38

3.3.2. Scaling 38

3.3.3. Grayscaling 38

3.4. Pembentukan Mold 39

3.4.1. Zero Threshold 39

3.4.2. K-means 40

3.4.3. Perkalian Citra Normal dengan Citra Zero Threshold 40

3.4.4. Perkalian Citra Input dengan Citra Hasil 41

3.5. Segmentasi 42

3.5.1. Region of Interest (ROI) 42

3.5.2. Edge Lung Detection 43

3.5.2.1. Canny Edge Detection 43

3.5.2.2. Dilasi 43

3.5.2.3. Negasi Citra ROI 44

3.5.2.4. Perkalian Citra Hasil Dilasi dan Negasi ROI 44

3.5.3. Removal Normal Edge Lung 45

3.5.3.1. Perkalian Citra Hasil Edge Lung Detection dan

Negasi ROI 45

3.5.3.2. Minimum Filter 45

3.6. Gray Level Co-occurence Matrix (GLCM) 46

3.7. Identifikasi 47

3.7.1. Tahap Perancangan Arsitektur Backpropagation

Neural Network 47

3.7.2. Tahap Pelatihan Backpropagation 49


x

3.7.3. Tahap Pengujian Backpropagation 53

3.8. Output 55

3.9. Perancangan Sistem 55

3.9.1. Perancangan menu sistem 55

3.9.2. Perancangan antarmuka sistem 56

BAB 4 IMPLEMENTASI DAN PENGUJIAN 60

4.1. Implementasi Sistem 60

4.1.1. Spesifikasi perangkat keras dan perangkat lunak 60

4.1.2. Implementasi perancangan antarmuka 61

4.1.3. Implementasi data 63

4.2. Prosedur Operasional 68

4.3. Pengujian Sistem 72

BAB 5 KESIMPULAN DAN SARAN 83

5.1. Kesimpulan 83

5.2. Saran 84

DAFTAR PUSTAKA 85


xi

DAFTAR TABEL

Hal.

Tabel 2.1 Penelitian terdahulu 35

Tabel 3.1 Fitur Haralick 47

Tabel 3.2 Input dan Target 49

Tabel 3.3 Bobot awal Vji 50

Tabel 3.4 Bobot awal Wji 50

Tabel 3.5 Data Uji 53

Tabel 3.6 Bobot Vkj baru 54

Tabel 3.7 Bobot Wkj baru 54

Tabel 4.1 Rangkuman data citra CXR 63

Tabel 4.2 Ukuran kinerja hasil pengujian (Kadah, 2012) 73

Tabel 4.3 Rangkuman data pengujian 74

Tabel 4.4 Ukuran kinerja hasil pengujian 8 pasien 82


xii

DAFTAR GAMBAR

Hal.

Gambar 2.1. Gambar skematis paru-paru penampang lateral (Ellis, 2006) 7

Gambar 2.2. Gambar skematis paru-paru penampang anterior (Ellis, 2006) 8

Gambar 2.3. Gambar perkiraan kanker berdasarkan jenis kelamin

(Dela Cruz, 2011) 9

Gambar 2.4. Gambar Citra Biner 15

Gambar 2.5. Citra hitam-putih (Genta, 2010) 16

Gambar 2.6. Citra Grayscale (Genta, 2010) 16

Gambar 2.7. Citra warna (Chairani, 2016) 16

Gambar 2.8. (a) Citra grayscale; (b) Citra threshold 20

Gambar 2.9. Contoh piksel citra berukuran 5x5 24

Gambar 2.10. Arah orientasi pada GLCM (Fegurson, 2007) 25

Gambar 2.11. (a) Citra grayscale dalam bentuk matriks; (b) Matriks framework 26

Gambar 2.12. Matriks kookurensi dengan jarak 1 dan arah 0º 26

Gambar 2.13. (a) Matriks kookurensi; (b) Matriks transpose;

(c) matriks simetri (kookurensi + transpose) 27

Gambar 2.14. Normalisasi Matriks 27

Gambar 2.15. Arsitektur Umum BPNN dengan satu hidden layer 30

Gambar 3.1. Arsitektur umum metode yang diajukan 37

Gambar 3.2. Citra grayscale (Sumber: http://www.jsrt.or.jp) 39

Gambar 3.3. Citra zero threshold 40

Gambar 3.4. Citra K-means dengan k=3 40

Gambar 3.5. Citra hasil perkalian normal dengan hasil zero threshold 41


http://www.jsrt.or.jp/

xiii

Gambar 3.6. Citra hasil perkalian citra input dan citra hasil 41

Gambar 3.7. Citra hasil perkalian citra k-means dengan citra hasil 42

Gambar 3.8. Citra canny edge detection 43

Gambar 3.9. Citra dilasi 44

Gambar 3.10. Citra hasil perkalian citra hasil dilasi dan negasi ROI 44

Gambar 3.11. Citra hasil perkalian citra hasil dan negasi ROI 45

Gambar 3.12. Citra minimum filter 46

Gambar 3.13. Arsitektur Backpropagation 48

Gambar 3.14. Struktur menu sistem 56

Gambar 3.15. Rancangan tampilan awal 56

Gambar 3.16. Rancangan tampilan tab menu training 57

Gambar 3.17. Rancangan tampilan tab menu testing 58

Gambar 4.1. Tampilan utama sistem 61

Gambar 4.2. Tampilan tab training 62

Gambar 4.3. Tampilan tab testing 62

Gambar 4.4. Tampilan saat tombol “Browse” dipilih 69

Gambar 4.5. Tampilan tab training aplikasi setelah citra dipilih 69

Gambar 4.6. Tampilan awal aplikasi pada hasil training dataset 70

Gambar 4.7. Tampilan pada tab testing saat tombol browse dipilih 71

Gambar 4.8. Tampilan setelah file input dipilih 71

Gambar 4.9. Tampilan hasil proses testing 72


1

BAB 1

PENDAHULUAN

1.1. Latar belakang

Pada saat sekarang ini ilmu pengetahuan dan teknologi informasi semakin mengalami

perkembangan sangat pesat dan menjadi salah satu bagian penting dalam mengatasi

masalah yang terjadi di masyarakat. Teknologi informasi telah diterapkan di berbagai

bidang seperti e-learning pada Pendidikan, e-commerce di bidang bisnis, ATM

dibidang perbankan, e-government pada pemerintahan dan lain sebagainya. Pada

bidang kesehatan teknologi informasi telah diterapkan pada pengolahan citra digital

telah dilakukan sejak ditemukan Tomografi Terkomputerisasi (Computerized

tomography/CT) pada tahun 1970-an. Pengolahan citra digital dapat digunakan untuk

deteksi tumor atau kanker rahim, identifikasi penyakit hati, identifikasi penyakit paru-

paru, identifikasi penyakit tulang, klasifikasi gigi, dan analisis citra mikroskopis.

Kanker adalah pertumbuhan dan penyebaran yang tidak terkontrol dari sel

(WHO, 2013). Salah satu jenis kanker yang paling mematikan adalah kanker paru-

paru. Kanker paru-paru adalah pertumbuhan sel kanker yang tidak terkendali dalam

jaringan paru. Menurut World Health Organization (WHO), kanker paru merupakan

penyebab kematian utama dari semua kematian akibat kanker baik pada pria maupun

wanita. Menurut CDC (2010), sebanyak 205.974 orang menderita kanker paru di

Amerika (110.190 pria dan 95.784 wanita) dan sebanyak 158.081 orang meninggal

karena penyakit ini (87.694 pria dan 70.387 wanita) sedangkan di Indonesia, angka

kejadian kanker bronkus dan paru pada pasien rawat inap sebesar 5,8% dari seluruh

jenis kanker (Depkes, 2007).

Berdasarkan klasifikasi tersebut, penyakit kanker paru di diagnosa melalui

chest X-ray (CXR) atau lebih dikenal dengan foto rontgen dimanfaatkan di berbagai


2

aspek kehidupan masyarakat. Penggunaan X-ray berawal dari penemuan Wilhelm

Röntgen pada tahun 1895. Pemeriksaan radiologi CXR ini sangat membantu proses

diagnosis dan identifikasi medis pada penyakit paru. Akan tetapi saat membaca hasil

foto rontgen pengetahuan masyarakat yang minim dalam membaca hasil rontgen,

sehingga masih dibutuhkan tenaga ahli seperti dokter atau tenaga medis lain untuk

membacanya, Kanker paru-paru memerlukan penanganan dan tindakan yang cepat

dan terarah. Penegakan diagnosis penyakit ini membutuhkan keterampilan dan sarana

yang baik. Karena apabila tidak segera ditangani, bisa menyebar dan bermetastasis

dan akhirnya meningkatkan derajat keparahan. (Pedoman Diagnosis dan

Penatalaksanaan di Indonesia, 2003).

Penelitian dengan memanfaatkan CXR sudah dilakukan yaitu untuk

mengidentifikasi kelainan pada paru dengan judul Detection of Lung Cancer Cells

using Image Processing Techniques dengan menggunakan metode median filtering,

threshold segmentation, Watershed Algorithm dan Morphological Operations

(Pratapl, 2016).

Pada tahun 2016 Poornimadevi, C.S dan Helen, S.C melakukan penelitian

dengan judul Automatic Detection of Pulmonary Tuberculosis Using Image

Processing Technique. Penelitian ini memiliki beberapa tahapan, yaitu Preprocessing,

Registration Based Image Segmentation, Watershed Segmentation, Threshold dan

Active Contour. Hasil dari penelitian ini memiliki tingkat akurasi sebesar 60%.

Pada penelitian yang berjudul Hypertensive Retinopathy Identification

Through Retinal Fundus Image Using Backpropagation Neural Network pada tahun

2017 oleh Mohammad Fadly Syahputra, C. Amalia, Romi Fadillah Rahmat dan Ulfi

Andayani. Dalam penelitian tersebut Backpropagation secara efisien dapat

mengidentifikasi penyakit Hypertensive Retinopathy dengan akurasi sebesar 95%.

Pada tahun 2017, Amalia Rahmi menggunakan Metode Backpropagation

Neural Network dalam klasifikasi pendarahan otak. Dalam Penelitian ini klasifikasi

pendarahan otak dilakukan dengan menggunakan citra CT scan otak dan

menghasilkan tingkat akurasi 88%.

Berdasarkan hasil penelitian tersebut, dengan tingkat akurasi yang tinggi yang

didapatkan oleh metode Backpropagation dalam melakukan identifikasi terhadap

suatu objek, penulis mengajukan metode Backpropagation Neural Network. Algoritma

Backpropagation Neural Network merupakan salah satu jenis artificial neural


3

network (ANN) dengan beberapa unit hidden layer yang berada di antara input dan

output. Backpropagation Neural Network sebelumnya juga telah dipakai untuk

diagnosa retinoblastoma (widya, 2017).

Berdasarkan latar belakang diatas, penulis mengajukan proposal penelitian

dengan judul “ IDENTIFIKASI PENYAKIT KANKER PARU-PARU PADA CITRA

MEDIS CHEST X-RAY (CXR) MENGGUNAKAN METODE BACKPROPAGATION

NEURAL NETWORK ”.

1.2. Rumusan Masalah

Kanker paru biasanya diderita oleh orang dewasa yang menyerang paru-paru manusia.

Pada pemeriksaan dari tanda penyakit ini terlihat dengan adanya tumor berwarna

putih. Pada umumnya, untuk mengidentifikasi penyakit ini melalui paru masih

dilakukan secara manual oleh pakar (dokter) sehingga memungkinkan terjadinya

kesalahan dalam pendiagnosaan penyakit. Oleh karena itu, diperlukan suatu metode

yang dapat membantu pakar (dokter) dalam mendiagnosa penyakit kanker paru-paru

sehingga diperoleh hasil pemeriksaan yang lebih baik daripada pendiagnosaan secara

manual.

1.3. Batasan Masalah

Pada penelitian ini peneliti membuat batasan masalah untuk mencegah meluasnya

ruang lingkup permasalahan dalam penilitian ini. Adapun batasan masalah tersebut,

yaitu:

1. Data citra yang digunakan merupakan hasil digitalisasi foto chest-Xray (CXR)

atau rontgen dada

2. Deteksi kanker paru melalui tumor berwarna putih pada paru

3. Ekstensi file citra yang digunakan adalah jpeg, format warna grayscale

4. Output yang dihasilkan berupa identifikasi mengenai ada atau tidaknya penyakit

kanker paru , tidak sampai pada tingkat keparahan penyakit yang diderita.


4

1.4. Tujuan Penelitian

Penelitian ini bertujuan untuk menerapkan algoritma yang digunakan untuk

mengidentifikasi kanker paru melalui analisis citra CXR dengan menggunakan

backpropagation neural network sehingga pada objek yang sehat dan objek yang

terdapat penyakit dapat dibedakan.

1.5. Manfaat Penelitian

Adapun manfaat dari penelitian ini adalah:

1. Dengan identifikasi citra Chest X-ray (CXR) atau foto rontgen dapat membantu

optimasi pekerjaan medis dalam mendiagnosa kanker paru-paru agar lebih akurat

sehingga dapat meminimalisasi kesalahan dalam pengambilan kesimpulan dari

hasil diagnosa foto rontgen pasien.

2. Penelitian dapat menjadi bahan rujukan untuk pengembangan penelitian lebih

lanjut, khususnya di bidang medical image, image processing dan neural network.

1.6. Metode Penelitian

Tahapan yang dilakukan dalam penelitian ini adalah sebagai berikut:

1.6.1. Studi Literatur

Tahapan ini dilakukan dengan mempelajari sumber-sumber seperti buku-buku,

referensi yang berkaitan dengan skripsi ini. Terutama mengenai medical image, image

processing, kanker paru, segmentasi citra, gray level co-occurance matrix, k-means

clustering dan metode backpropagation neural network. Informasi tersebut

merupakan dasar untuk menganalisis masalah.

1.6.2. Analisis Permasalahan

Pada tahap selanjutnya penulis menganalisis permasalahan dari informasi yang

didapat pada tahapan studi literatur, agar diperoleh metode yang tepat untuk mengatasi

diagnosa penyakit kanker paru-paru melalui CXR.


5

1.6.3. Perancangan Sistem

Pada tahapan ini dilakukan perancangan yaitu sistem yang sesuai dari hasil analisis

permasalahan yang telah dilakukan. Pada penelitian ini, perancangan yang dilakukan

berupa perancangan arsitektur dan antarmuka sistem.

1.6.4. Implementasi Sistem

Pada tahap ini dilakukan penerapan rancangan yang dilakukan dalam suatu program

sesuai dengan perancangan dan analisis permasalahan yang telah dilakukan

sebelumnya.

1.6.5. Pengujian Sistem

Pada tahapan ini dilakukan uji terhadap program yang telah dibangun dengan tujuan

melihat semua kesalahan dan kekurangan yang terdapat pada sistem. Pengujian ini

dilakukan dengan menjalankan sistem dan masukkan pada tiap fungsi dan fitur yang

dimiliki sistem kemudian memantau apakah hasil output sesuai yang diharapkan atau

sebaliknya. Sehingga penerapan rancangan yang dilakukan dalam suatu program

sesuai dengan perancangan dan analisis permasalahan yang telah dilakukan

sebelumnya.

1.6.6. Penyusunan Laporan

Pada tahap akhir dilakukan penulisan laporan dari keseluruhan penelitian yang telah

dilakukan.

1.7. Sistematika Penulisan

Sistematika dari penulisan skripsi ini terdiri dari lima bagian, yaitu :

Bab 1 : Pendahuluan

Bab ini membahas tentang latar belakang, rumusan masalah, batasan masalah, tujuan

penelitian, manfaat penelitian, metodologi penilitian dan sistematika penelitian.


6

Bab 2 : Landasan Teori

Bab ini berisi tentang teori-teori penunjang yang digunakan untuk dapat memahami

permasalahan dari penelitian ini yaitu teori tentang kanker paru, image processing,

Backpropagation neural network dan juga tentang penelitian terdahulu.

Bab 3 : Analisis dan Perancangan

Bab ini berisi tentang analisis dari arsitektur umum dan metode yang digunakan dan

penerapannya dalam pembuatan sistem untuk mengidentifikasi penyakit kanker paru.

Bab 4 : Implementasi dan Pengujian

Bab ini berisi tentang implementasi dari analisis dan perancangan sistem yang telah

dilakukan sebelumnya serta membahas tentang pengujian terhadap sistem yang telah

dibangun.

Bab 5 : Kesimpulan dan Saran

Bab ini berisi tentang kesimpulan dari keseluruhan penelitian yang telah dilakukan

dan saran yang diajukan untuk pengembangan untuk penelitian selanjutnya.


7

BAB 2

LANDASAN TEORI

Bab ini membahas tentang teori penunjang dan penelitian terdahulu yang berhubungan

dengan penerapan metode Backpropagation Neural Network untuk mengidentifikasi

penyakit kanker paru-paru.

2.1. Paru-Paru

Paru-paru berbentuk kerucut, bagian apeks tumpul pada ujung sternum setinggi rusuk

pertama, dan bagian dasar yang mengikuti lekuk diafragma. Permukaan kostovertebra

luas mencetak untuk membentuk dinding dada dan permukaan mediastinum yang

cekung untuk menopang perikadium. Paru-paru kanan berukuran sedikit lebih besar

dari yang kiri dan terbagi menjadi tiga lobus, yaitu lobus atas, tengah, dan bawah, oleh

fisura oblique dan horizontal. Pada paru-paru kiri hanya terdapat fisura oblik yang

membaginya menjadi dua lobus (Ellis, 2006).

Gambar 2.1. Gambar skematis paru-paru penampang lateral (Ellis,2006)


8

Gambar 2.2. Gambar skematis paru-paru penampang anterior (Ellis,2006)

Di antara dua lapisan pleura terdapat sebuah rongga kecil yang disebut rongga

pleura yang berisi cairan lubrikan. Cairan ini berguna untuk mengurangi gesekan antar

membran sehingga paru bisa melakukan fungsinya dengan baik. Cairan ini juga

berfungsi untuk melekatkan membran yang satu dengan yang lainnya (Tortora, 2009).

2.2. Kanker Paru-paru

Kanker paru-paru adalah tumor berbahaya disebabkan pertumbuhan sel yang tidak

terkontrol pada paru-paru, baik di salah satu atau kedua paru-paru. Kanker paru-paru

ini dapat menyebar keluar dari paru-paru (metastasis) ke jaringan terdekat dan organ

tubuh lainnya. Selain itu, kanker paru-paru merupakan kanker paling sering terjadi

baik pada pria maupun wanita. Lebih dari 90% kanker paru-paru berawal dari bronki

(saluran udara terbesar yang masuk ke paru-paru), kanker ini disebut karsinoma

bronkogenik (Diananda, 2007).

Berdasarkan insidensi dan angka kematian, kanker paru telah menjadi yang

terbanyak di dunia sejak tahun 1985. Secara global, kanker paru adalah kanker yang

paling banyak angka kejadian baru dengan 1,35 juta kasus dan 12,4% dari seluruh

kejadian baru kanker dan angka kematian 1,18 juta kasus dan 17,6% dari total

kematian akibat kanker (Cruz, 2011).


9

Gambar 2.3. Gambar perkiraan kanker berdasarkan jenis kelamin

(Dela Cruz, 2011)

2.2.1 Faktor Resiko

Beberapa penyebab penyakit ini adalah: merokok, perokok pasif, polusi udara,

pengaruh penyakit lain, dan pengaruh genetik dan status imunologis.

1. Merokok

Sekitar 90% dari penderita kanker paru-paru merupakan perokok. Usia anak-

anak dan remaja lebih mudah mengalami kerusakan DNA akibat paparan asap

rokok daripada orang dewasa. Resiko terkena kanker paru-paru setelah

berhenti merokok tergantung pada tingkat konsumsi rokok. Seseorang yang

mengonsumsi 1-20 batang rokok setiap hari beresiko 1,6 kali terkena kanker

paru-paru setelah berhenti merokok selama 16 tahun. Seseorang dengan

konsumsi rokok lebih dari 21 batang setiap hari beresiko 4 kali lipat terkena

kanker paru-paru setelah 16 tahun berhenti merokok dibandingkan dengan

orang yang tidak pernah merokok (Abraham, 2005).


10

2. Perokok Pasif

Perokok pasif merupakan salah satu faktor resiko yang dapat menyebabkan

kanker. Hasil studi menunjukkan asap rokok yang dihisap oleh orang yang

merokok untuk masa yang lama meningkatkan resiko pada orang di sekitarnya

yang tidak merokok dan menghirup asap tersebut yaitu sebanyak 0,3 hingga

1,0. Sekitar 25 % dari kanker paru pada orang yang tidak merokok disebabkan

oleh perokok pasif (Churg, 2005).

3. Polusi Udara

Insidensi dan mortalitas kanker paru-paru lebih tinggi di kawasan

perindustrian yang memicu terjadinya kanker paru-paru disebabkan oleh polusi

udara. Kanker paru-paru terjadi pada pekerja yang terpapar dengan bahan-

bahan karsinogen seperti asbestos. Polusi udara menyebabkan 10% terjadinya

kanker paru di negara berkembang (Churg, 2005). Beberapa substansi di

tempat kerja telah dibuktikan bersifat karsinogenik pada paru-paru. IARC telah

mengidentifikasikan arsen, asbestos, berilium, kadmium, klorometil ester,

kromium, nikel, radon, silika dan vinyl chloride sebagai karsinogen.

4. Pengaruh penyakit lain

Penyakit paru-paru seperti tuberkulosis dan penyakit paru-paru obstruktif

kronik juga dapat menjadi risiko kanker paru-paru. Seseorang dengan penyakit

paru-paru obstruktif kronik berisiko empat sampai enam kali lebih besar

terkena kanker paru-paru ketika efek dari merokok dihilangkan (Stoppler,

2010).

5. Pengaruh Genetik dan Status Imunologis

Anggota keluarga pasien kanker paru-paru berisiko lebih besar terkena

penyakit ini. Penelitian sitogenik dan genetik molekuler memperlihatkan

bahwa mutasi pada protoonkogen dan gen-gen penekan tumor memiliki arti

penting dalam timbul dan berkembangnya kanker paru-paru.


11

2.2.2 Gejala Kanker Paru-Paru

Dari anamnesis dapat ditemukan keluhan utama berupa:

1. Batuk-batuk dengan dahak atau tanpa dahak (dahak putih, dapat juga

purulen),

2. Sesak nafas

3. Suara serak

4. Sakit dada

5. Sulit/sakit menelan

6. Benjolan di pangkal leher,

7. Sembab muka dan leher

8. Sembab lengan dengan rasa nyeri yang hebat (PDPI, 2003).

2.2.3 Diagnosis Kanker Paru-Paru

Diagnosis kanker paru-paru dapat dilakukan dengan beberapa cara yaitu: anamnesis,

pemeriksaan fisik, pemeriksaan laboratorium, radiologi dan sitologi.

2.2.3.1. Anamnesis

Anamnesis yang lengkap serta pemeriksaan fisik merupakan kunci untuk

diagnosis tepat. Keluhan dan gejala klinis permulaan merupakan tanda awal

penyakit kanker paru-paru. Batuk disertai dahak yang banyak dan kadang-

kadang bercampur darah, sesak nafas dengan suara pernafasan nyaring

(wheezing), nyeri dada, lemah, berat badan menurun dan anoreksia merupakan

keadaan yang mendukung. Beberapa faktor yang perlu diperhatikan pada pasien

tersangka kanker paru adalah faktor usia, jenis kelamin, kebiasaan merokok, dan

terpapar zat karsinogen yang dapat menyebabkan nodul soliter paru (Huq,

2010).

2.2.3.2. Pemeriksaan Fisik

Pemeriksaan ini dilakukan untuk menemukan kelainan-kelainan berupa

perubahan bentuk dinding toraks dan trakea, pembesaran kelenjar getah bening

dan tanda-tanda obstruksi parsial, infiltrat dan pleuritis dengan cairan pleura

(Huq, 2010).


12

2.2.3.3. Pemeriksaan Laboratorium (Huq, 2010)

Adapun pemeriksaan laboratorium memiliki tujuan sebagai berikut:

a. Menilai seberapa jauh kerusakan yang ditimbulkan oleh kanker paru-

paru. Kerusakan pada paru-paru dapat dinilai dengan pemeriksaan faal

paru atau pemeriksaan analisis gas.

b. Menilai seberapa jauh kerusakan yang ditimbulkan oleh kanker paru-

paru pada organ-organ lainnya.

c. Menilai seberapa jauh kerusakan yang ditimbulkan oleh kanker paru-

paru pada jaringan tubuh baik oleh karena tumor primernya maupun

oleh karena metastasis.

2.2.3.4. Radiologi

Pemeriksaan radiologi adalah pemeriksaan paling utama yang dipergunakan

untuk mendiagnosa kanker paru-paru, kanker paru-paru memiliki gambaran

yang bervariasi. Pemeriksaan ini bertujuan untuk melihat ukuran tumor,

keganasan tumor, kelenjar getah bening dan metastasis ke organ lain. Adapun

pemeriksaan radiologi antara lain:

a. Rontgen atau radiografi

b. Magnetic resonance imaging (MRI)

c. Computed tomography (CT) scan

Pemeriksaan radiologi dapat dilakukan dengan metode tomografi komputer.

Pada pemeriksaan tomografi komputer dapat dilihat hubungan kanker paru-paru

dengan dinding toraks, bronkus, dan pembuluh darah secara jelas. Keuntungan

tomografi komputer tidak hanya memperlihatkan bronkus, tetapi juga struktur di

sekitar lesi serta invasi tumor ke dinding toraks. Tomografi komputer juga

mempunyai resolusi yang lebih tinggi, dapat mendeteksi lesi kecil dan tumor

yang tersembunyi oleh struktur normal yang berdekatan.


13

2.2.3.5. Sitologi

Proses keganasan dapat diketahui dengan pemeriksaan sitologi sputum.

Pemeriksaan sitologi dapat digunakan untuk mendiagnosis kanker lebih dini

dibandingkaan dengan pemeriksaan radiologi. Pemeriksaan ini dapat

menemukan sel-sel yang khas beberapa tahun sebelum kanker paru ditemukan.

2.2.3.6. Biopsi

Tindakan ini dilakukan untuk 2 hal, yakni untuk mengetahui histopatologi dari

sel kanker dan untuk mengetahui metastasis dari kanker paru-paru, kecuali pada

biopsi transtorakal dan transbronkial.

2.2.3.7. Angiografi

Pada kanker paru-paru dapat terjadi perubahan di pembuluh darah. Pada daerah

tumor, pergerakan dari paru-paru akan berkurang dan aliran darah mengalami

penurunan dan keadaan ini dapat diketahui dengan pemeriksaan angiografi.

Peranan angiografi pada kanker paru-paru dibagi atas 2 bagian, yakni: untuk

mengetahui diagnosis lebih lanjut sehubungan dengan adanya invasi tumor ke

pembuluh darah dan mengetahui bentuk dasar dari lokasi tumor

2.2.4 Pencegahan Kanker Paru-Paru

Menurut CDC (2010), pencegahan yang dapat dilakukan untuk mengurangi resiko

kanker paru-paru yaitu :

a. Berhenti Merokok, dengan berhenti merokok, akan menurunkan resiko terjadinya

kanker paru-paru dibandingkan dengan tidak berhenti merokok sama sekali.

Semakin lama seseorang berhenti merokok, maka akan semakin baik

kesehatannya disbanding mereka yang merokok. Bagaimanapun, risiko bagi

mereka yang berhenti merokok tetap lebih besar dibandingkan mereka yang tidak

pernah merokok.

b. Menghindari menghisap rokok orang lain (secondhandsmoke)

c. Membuat lingkungan kerja dan rumah aman dari gas radon

d. Menurut EPA (Environmental Protection Agency), setiap rumah disarankan untuk

dites apakah ada gas radon atau tidak.


14

e. Mengkonsumsi buah dan sayuran yang banyak, Konsumsi buah dan sayuran yang

banyak akan membantu melindungi dari kanker paru-paru.

2.3. Pengenalan Citra

Sebuah citra direpresentasikan sebagai fungsi f(x,y) yaitu fungsi dua dimensi, dimana

x dan y adalah koordinat posisi, dan nilai f pada setiap kordinat (x,y) disebut sebagai

nilai intensitas citra. Sebuah citra dinyatakan sebagai citra digital jika nilai x, y dan

nilai intensitas dari f bersifat terbatas dan dalam bentuk diskrit. Sebuah citra digital

dibentuk oleh sejumlah elemen yang disebut sebagai piksel dimana setiap piksel

tersebut memiliki posisi dan nilai tertentu (Gonzales, 2008).

2.3.1. Citra Medis (Medical Image)

Citra medis dimanfaatkan oleh para ahli medis untuk melakukan diagnosis terhadap

suatu penyakit. Hasilnya digunakan untuk menentukan treatment dan penanganan

yang sesuai untuk pasien. Citra medis diperoleh dengan cara menembakkan sensor

aktif seperti sinar-X (x-ray) ke bagian tubuh pasien sehingga dapat dihasilkan citra

dari organ bagian dalam pasien Citra medis diperoleh merupakan pencitraan seperti

Chest X-ray (CXR) atau foto rontgen, Computerized Tomography (CT) , Ultrasound

(US) maupun Magnetic Resonance Imaging (MRI).

2.3.2. Digitalisasi Citra

Citra terbagi dua yaitu citra kontinu dan citra diskrit. Citra kontinu dihasilkan dari

sistem optik yang menerima sinyal analog, misalnya mata manusia dan kamera

analog. Citra diskrit dihasilkan melalui proses digitalisasi terhadap citra kontinu.

Beberapa sistem optik dilengkapi dengan fungsi digitalisasi sehingga mampu

menghasilkan citra diskrit, misalnya kamera digital dan scanner. Citra diskrit disebut

juga citra digital. Agar dapat diolah dengan komputer digital, maka suatu citra harus

dipresentasikan secara numerik dengan nilai-nilai diskrit. Representasi citra dari

fungsi kontinu menjadi nilai-nilai diskrit disebut digitalisasi. Citra yang dihasilkan

inilah yang disebut citra digital (digital image).


15

2.3.2.1. Citra Biner (Binary Image)

Citra biner merupakan jenis citra yang paling sederhana karena hanya memiliki

dua nilai, yaitu hitam atau putih. Citra biner merupakan citra 1 bit karena hanya

memerlukan 1 bit untuk merepresentasikan tiap piksel. Citra biner dibentuk dari

citra keabuan melalui operasi thresholding, dimana tiap piksel yang nilainya

lebih besar dari threshold akan diubah menjadi putih (1) dan piksel yang

nilainya lebih kecil dari threshold akan diubah menjadi hitam (0). Contoh citra

biner dapat dilihat pada Gambar 2.4.

Gambar 2.4. Gambar citra biner

2.3.2.2. Citra Keabuan (Grayscale Image)

Citra keabuan menggunakan warna hitam sebagai warna minimum, warna putih

sebagai warna maksimum dan warna diantara hitam dan putih, yaitu abu-abu.

Abu-abu merupakan warna dimana komponen merah, hijau, dan biru

mempunyai intensitas yang sama. Jumlah bit yang diperlukan untuk tiap piksel

menentukan jumlah tingkat keabuan yang tersedia. Misalnya untuk citra

keabuan 8 bit, tingkat keabuan yang tersedia adalah 28 atau 256.

S=(r+g+b)/3 (2.1)

Adapun citra hitam-putih dan citra grayscale ditunjukkan pada Gambar 2.5. dan

Gambar 2.6.


16

Gambar 2.5. Citra hitam-putih (Genta, 2010)

Gambar 2.6. Citra grayscale (Genta, 2010)

2.3.2.3. Citra Warna (Color Image)

Citra warna merupakan jenis citra yang menyediakan warna dalam bentuk RGB

(red, green, dan blue). Setiap komponen warna menggunakan 8 bit, nilainya

terletak antara 0-255. Warna yang disediakan yaitu 255 x 255 x 255. Warna ini

disebut juga dengan true color dikarenakan memiliki jumlah warna yang cukup

besar (Chairani, 2016). Contoh citra warna dapat dilihat pada Gambar 2.7.

Gambar 2.7. Citra warna (Chairani, 2016)


17

2.3.3. Format Citra Digital

Format citra digital, antara lain: PNG, BMP, JPG, GIF dan sebagainya. Masing-

masing format mempunyai perbedaan satu dengan yang lain terutama pada header

file. Namun ada beberapa yang mempunyai kesamaan, yaitu penggunaan palette untuk

penentuan warna piksel.

1. JPEG

JPEG merupakan skema kompresi file bitmap yang banyak digunakan untuk

menyimpan gambar-gambar dengan ukuran lebih kecil. Format citra JPEG ini

memiliki karakteristik gambar tersendiri antara lain memiliki ekstensi .jpg atau .jpeg.

mampu menayangkan warna dengan kedalaman 24-bit true color. Umumnya format

citra ini digunakan untuk menyimpan gambar-gambar hasil foto.

2. Bitmap (.bmp)

Bitmap adalah representasi dari citra grafis yang terdiri dari susunan titik yang

tersimpan di memori komputer. Dikembangkan oleh Microsoft dan nilai setiap titik

diawali oleh satu bit data untuk gambar hitam putih, atau lebih bagi gambar berwarna.

File format BMP (Windows bitmap) menangani file grafik di sistem operasi Microsoft

Windows. Pada umumnya file bmp tidak di kompresi sehingga memiliki ukuran yang

sangat besar.

3. GIF

GIF adalah format gambar asli yang dikompres dengan Computer Server. Bitmap

dengan jenis ini mendukung 256 warna dan bitmap ini juga sangat populer dalam

internet. Format GIF hanya dapat menyimpan gambar dalam 8 bit dan hanya mampu

digunakan mode grayscale, bitmap, dan index color.


18

2.4. Pengolahan Citra

Pengolahan citra adalah metode yang digunakan untuk memproses, atau memanipulasi

citra digital sehingga menghasilkan citra baru (Gonzales at al., 2002). Pengolahan

Citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia

atau mesin (dalam hal ini komputer) sehingga dapat memberikan informasi baru yang

lebih bermanfaat. Pengolahan citra memanipulasi citra menjadi citra baru. Jadi, data

input adalah citra dan keluarannya juga citra, namun citra keluaran mempunyai

kualitas lebih baik daripada citra masukan.

2.4.1. Grayscaling

Grayscaling merupakan proses mengubah citra warna (RGB) menjadi citra keabuan.

Grayscaling digunakan untuk menyederhanakan model citra RGB yang memiliki 3

layer matriks, yaitu layer matriks red, green, dan blue menjadi 1 layer matriks

keabuan. Grayscaling dilakukan dengan cara mengalikan masing-masing nilai red,

green, dan blue dengan konstanta yang jumlahnya 1, seperti yang ditunjukkan pada

persamaan (2.2).

I (x,y)= α.R+ β.G+γ.B (2.2)

Dimana: I (x,y) = piksel citra hasil grayscaling

α, β, γ = konstanta yang hasil penjumlahannya 1

R = nilai red dari sebuah piksel

G = nilai green dari sebuah piksel

B = nilai blue dari sebuah piksel

2.4.2. Cropping

Cropping berfungsi untuk menghasil bagian spesifik dari sebuah citra dengan cara

memotong area yang tidak diinginkan atau area berisi informasi yang tidak

diperlukan. Cropping dapat digunakan untuk menambah fokus pada objek, membuang

bagian citra yang tidak diperlukan, memperbesar area tertentu pada citra, mengubah

orientasi citra, dan mengubah aspect ratio dari sebuah citra.


19

Cropping menghasilkan citra baru yang merupakan bagian dari citra asli

dengan ukuran yang lebih kecil. Jika citra cropping digunakan untuk proses lain,

waktu pemrosesan akan lebih cepat karena bagian yang diproses hanya bagian yang

diperlukan saja. (Gonzales et al., 2002).

2.4.3. Scaling

Scaling merupakan salah satu operasi yang paling banyak digunakan dalam

pengolahan citra. Scaling digunakan untuk mengubah resolusi dari sebuah citra, baik

itu memperkecil atau memperbesar resolusi citra. Scaling juga dapat digunakan untuk

menormalisasi ukuran semua citra sehingga memiliki ukuran yang sama. (Pratt, 2007).

Scaling merupakan proses yang dilakukan untuk mengurangi jumlah piksel

yang terdapat pada suatu citra digital yang digunakan sebagai input pada neural

network. Sebagai contoh suatu citra dengan ukuran 250x250 dapat diubah menjadi

30x30 pada saat proses scaling (JT Marbun et al., 2018).

2.4.4. Thresholding

Thresholding merupakan suatu proses mengubah citra berderajat keabuan menjadi

citra biner atau hitam putih sehingga dapat diketahui daerah mana yang termasuk

objek dan background dari citra secara jelas (Evan, 2010).

Thresholding akan menghasilkan citra biner, yaitu citra yang memiliki dua

warna (hitam dan putih). Citra hasil thresholding biasanya digunakan lebih lanjut

untuk proses pengenalan objek serta ekstraksi fitur. Proses thresholding menggunakan

nilai batas (threshold) untuk mengubah nilai piksel pada citra keabuan menjadi hitam

atau putih. Jika nilai piksel pada citra keabuan lebih besar dari threshold, maka nilai

piksel akan diganti dengan 1 (putih), jika nilai piksel pada citra keabuan lebih kecil

dari threshold maka nilai piksel akan diganti dengan 0 (hitam) (RF Rahmat, et al.,

2018).

Citra hasil thresholding dapat didefinisikan sebagaimana Persamaan 2.3.

( ) { ( )

( )

(2.3)


20

Dimana g (x,y) = piksel citra hasil binerisasi

f (x,y) = piksel citra asal

T = nilai threshold

Adapun citra hasil threshoding seperti pada Gambar 2.8.

Gambar 2.8. (a) Citra grayscale; (b) Citra threshold.

2.4.5. K-Means Clustering

Clustering adalah proses partisi atau pengelompokan terhadap objek yang tidak

memiliki label ke dalam sektor yang memiliki pola yang sama sesuai dengan jumlah

cluster yang ditentukan. Sehingga dalam satu cluster akan terdapat kumpulan objek

dengan tingkat kemiripan yang tinggi dan pola yang sama. K-Means merupakan salah

satu metode yang digunakan untuk melakukan segmentasi citra.

Segmentasi adalah proses penting untuk mengekstrak informasi dari citra

medis. Tujuan utama dari segmentasi citra adalah untuk memisahkan suatu citra

menjadi daerah khusus yang memiliki informasi penting dimana piksel yang terdapat

pada daerah tersebut merupakan piksel homogen sesuai dengan standar segmentasi

yang ditetapkan (Patel et al., 2013). Algoritma Clustering menggunakan K-Means

adalah sebagai berikut:

1 Tentukan jumlah piksel yang akan digunakan sebagai pusat dari cluster

(centroid). Jumlah centroid memiliki jumlah yang sama dengan jumlah cluster (k)

yang ditentukan.

2 Lakukan partisi (pengelompokan) pada setiap cluster. Pengelompokan dilakukan

berdasarkan penghitungan nilai euclidean distance terkecil yang dihasilkan antara

piksel dengan masing-masing centroid. Penghitungan euclidean distance

dilakukan dengan menggunakan persamaan 2.4.


21

√∑( )

(2.4)

Dimana:

d = jarak dari data x ke data y

x_i = elemen ke-i dari data x

y_i = elemen ke-i dari data y

n = jumlah elemen dari data x dan data y

Pengelompokan dilakukan pada semua piksel sehingga piksel-piksel terbagi

menjadi kelompok sesuai dengan jumlah cluster yang ditentukan pada langkah 1.

3 Setelah piksel dikelompokkan, penghitungan nilai piksel rata-rata pada setiap

cluster dilakukan. Nilai rata-rata piksel yang dihasilkan akan menjadi centroid

baru.

4 Setelah nilai centroid didapatkan, langkah 2 dan 3 akan dilakukan kembali sesuai

jumlah iterasi yang ditentukan pada langkah pertama atau kondisi konvergensi

berhasil terpenuhi. Konvergensi adalah kondisi dimana nilai rata-rata yang

dihitung bernilai sama dengan centroid. Ketika kondisi konvergensi dipenuhi atau

jumlah iterasi yang ditentukan sudah dilakukan, proses akan terhenti dan output

yang dihasilkan adalah piksel yang sudah dikelompokkan sesuai dengan jumlah

cluster yang diinginkan.

2.4.6. Perkalian Citra

Perkalian citra merupakan operasi pada piksel yang digunakan untuk mengatur tingkat

kontras pada citra (Solomon, 2011). Perkalian citra juga dapat digunakan untuk

menghilangkan bagian tertentu pada citra dengan cara mengalikan citra dengan citra

mask yang merupakan citra biner. Perkalian citra dilakukan dengan persamaan 2.5.

( ) ( ) ( )

(2.5)


22

Dimana:

c(x,y) = piksel citra hasil perkalian

a (x,y)= piksel citra asal

b(x,y) = piksel citra mask

2.4.7. Minimum Filter

Minimum filter adalah filter yang bekerja dengan mempertimbangkan piksel yang ada

di sekitar masing-masing piksel. Piksel yang ada pada citra akan dipisahkan ke dalam

matriks dengan ukuran 3 x 3 yang disebut dengan mask. Nilai piksel yang ada pada

mask akan diurutkan (sort) dari yang paling kecil ke yang paling besar (ascending).

Setelah diurutkan, maka nilai piksel terkecil (minimum) akan menggantikan nilai dari

piksel citra yang diproses. Proses ini akan dilakukan pada keseluruhan piksel pada

citra. Minimum filter digunakan untuk menghilangkan derau (noise) berupa titik-titik

berwarna putih pada citra (Putra, 2010).

2.4.8. Dilasi

Bila suatu objek (citra input) dinyatakan dengan A dan structure element dinyatakan

dengan B serta Bx menyatakan translasi B sedemikian sehingga pusat B terletak pada

x dan ∅ merupakan himpunan kosong. Operasi dilasi A dengan B dapat dinyatakan

pada persamaan (2.6):

( ) * ∅+

(2.6)

Proses dilakukan dengan membandingkan setiap piksel citra input dengan nilai

pusat SE dengan cara melapiskan (superimpose) SE dengan citra sehingga pusat SE

tepat dengan posisi piksel citra yang diproses. Jika paling sedikit ada 1 piksel pada SE

sama dengan nilai piksel objek (foreground) citra maka piksel input di-set nilainya

dengan nilai piksel foreground dan bila semua piksel yang berhubungan adalah

background maka input piksel diberi nilai piksel background. Proses yang sama akan

dilakukan dengan menggerakkan (translasi) SE piksel demi piksel pada citra input

(Putra, 2010).


23

2.4.9. Canny Edge Detection

Deteksi tepi merupakan salah satu proses yang digunakan dalam proses pengenalan

pola dalam suatu gambar. Tepi merupakan batas-batas objek, jadi deteksi tepi

merupakan proses untuk memperjelas tepi-tepi objek yang ada pada gambar. Sebelum

Canny Edge Detection diterapkan pada citra, penerapan gaussian filter perlu

dilakukan untuk menghilangkan noise pada citra, sehingga piksel yang tidak

diperlukan tidak akan dideteksi sebagai tepi oleh Canny Edge Detection. Penggunaan

Canny Edge Detection juga dapat diterapkan untuk mendapatkan fitur pada citra

(Muchtar, et al. 2018)

Canny edge detection merupakan deteksi tepi yang menggunakan multi tahap

algoritma untuk mendeteksi berbagai tepi dalam suatu gambar. Canny edge detection

dikembangkan oleh John F. Canny pada tahun 1986. Canny menggunakan Gaussian

Derrivative Kernel untuk memperhalus tampilan sebuah gambar. Keunggulan canny

edge detection dibanding dengan deteksi tepi lainnya (Yodha & Kurniawan, 2014),

sebagai berikut:

a. Good detection, memaksimalkan signal to noise ration (SNR) agar

semua tepi dapat terdeteksi dengan baik.

b. Good location, untuk meminimalkan jarak deteksi tepi yang sebenarnya

dengan tepi yang dihasilkan melalui pemrosesan, sehingga lokasi tepi

terdeteksi menyerupai tepi secara nyata. Semakin besar nilai Loc, maka

semakin besar kualitas deteksi yang dimiliki.

c. One respon to single edge, untuk menghasilkan tepi tunggal / tidak

memberikan tepi yang bukan tepi sebenarnya.

Langkah – langkah mendeteksi tepi batas menurut canny (Putra & Prapitasari, 2011),

yaitu:

1. Langkah pertama yang harus dilakukan adalah menyaring dan membuang noise

pada gambar asli sebelum mencoba untuk menetapkan dan mendeteksi tepi.

2. Setelah menghaluskan gambar dan menyingkirkan noise, langkah selanjutnya

adalah menemukan tepi dengan menggunakan gradient dari gambar tersebut.

3. Menentukan arah tepian berdasarkan gradient.


24

4. Setelah arah tepian ditemukan, langkah selanjutnya adalah merelasikan arah

tepiannya ke arah yang dapat di- trace pada sebuah gambar. Jika pada sebuah

gambar mempunyai piksel 5×5 seperti pada Gambar 2.9.

Gambar 2.9. Contoh piksel citra berukuran 5x5

Dapat dilihat piksel a, terdapat 4 kemungkinan arah yaitu 0 derajat (horisontal), 45

derajat (diagonal positif), 90 derajat (vertikal), atau 135 derajat (diagonal negatif).

Jadi orientasi tepi harus ditetapkan pada salah satu dari 4 arah tersebut tergantung

dari arah yang terdekat.

5. Setelah arah tepian diketahui, penindihan non-maksimum diaplikasikan.

Penindihan ini digunakan untuk men-trace sepanjang tepian dalam arah tepiannya

dan menindih piksel yang bernilai nol (= 0) yang tidak ada hubungannya dengan

tepi. Hal ini akan menimbulkan garis kecil pada gambar keluaran.

6. Akhirnya akan menghasilkan sebuah gambar yang sudah dieliminasi, dibutuhkan

sebuah gradient garis tepi sehingga setiap piksel yang ada terhubung satu dengan

yang lain

2.5. Ekstraksi Fitur

Ekstraksi fitur adalah proses pengukuran terhadap data yang telah dinormalisasi untuk

membentuk sebuah nilai fitur. Nilai fitur digunakan oleh pengklasifikasi untuk

mengenali unit masukan dengan unit target keluaran dan memudahkan

pengklasifikasian karena nilai ini mudah untuk dibedakan (Pradeep et. al, 2011). Pada

penelitian ini , penulis menggunakan metode ekstraksi GLCM.


25

2.5.1. Gray Level Co-occurance Matrix (GLCM)

Ekstraksi fitur pada citra input menggunakan GLCM adalah matriks yang

merepresentasikan hubungan antara dua piksel dalam citra dengan derajat keabuan

pada arah orientasi dan jarak spasial tertentu. GLCM adalah matriks ukuran n x n,

dimana n adalah jumlah tingkat abu-abu dalam citra dengan derajat keabuan

(Syahputra, et al, 2015). Gray Level Co-occurance Matrix (GLCM) merupakan

matriks yang merepresentasikan hubungan ketetanggaan antar piksel (kookurensi)

pada berbagai arah orientasi dan jarak spasial (Haralick, 1973). Arah orientasi pada

GLCM dinyatakan dalam sudut 0º, 45º, 90º, dan 135º sedangkan jarak dinyatakan

dalam piksel, misalnya 1, 2, 3, dan seterusnya.

GLCM memiliki 8 arah orientasi 0º, 45º, 90º, 135º, 180º, 225º, 270º, dan 315º.

Arah orientasi yang digunakan pada GLCM dapat dilihat pada Gambar 2.10.

Gambar 2.10. Arah orientasi pada GLCM (Fegurson, 2007)

Dalam melakukan penghitungan arah orientasi pada GLCM, 8 arah orientasi

seperti terlihat pada gambar 2.7. dapatdikurangi menjadi 4 arah, yaitu 0, 45, 90, dan

135. Hal ini dapat dilakukan karena arah orientasi , , , dan merupakan

matriks transpose dari , , , dan . Sehingga untuk melakukan

perhitungan nilai matriks dapat dilakukan dengan menjumlahkan matriks

dengan matriks transpose-nya. Hal ini juga dapat dilakukan pada arah orientasi

dan , dan maupun dan .


26

Langkah pertama yang harus dilakukan untuk mendapatkan nilai GLCM

adalah membuat matriks framework. Matriks framework ini menunjukkan hubungan

ketetanggaan antar piksel (kookurensi) dengan ukuran n x n dimana n menyatakan

tingkat keabuan yang dimiliki oleh sebuah citra grayscale. Contoh dari matriks

framework ditunjukkan pada Gambar 2.11.

1 0 2

2 1 0

0 2 1

(a) (b)

Gambar 2.11. (a) Citra grayscale dalam bentuk matriks; (b) Matriks framework

Pada Gambar 2.8. citra grayscale yang ditunjukkan dalam bentuk matriks

memiliki 3 tingkat keabuan, yaitu 0, 1, dan 2, sehingga matriks framework yang

terbentuk memiliki ukuran 3 x 3. Pada matriks framework nilai (0,0) menyatakan

berapa banyak piksel 0 yang bertetangga dengan piksel 0 pada arah orientasi dan jarak

tertentu, begitu juga dengan (0,1) dan seterusnya. Setelah matriks framework berhasil

dibuat, maka nilai kookurensi dari tiap piksel dengan piksel tetangganya dapat

dihitung. Nilai kookurensi yang dihitung akan dimasukkan ke dalam matriks dengan

dimensi yang sama dengan matriks framework dan disebut matriks kookurensi.

Gambar 2.12. menunjukkan contoh matriks kookurensi yang dibuat berdasarkan

matriks citra grayscale yang terdapat pada gambar 2.11. dimana arah orientasi yang

digunakan adalah dan jarak yang digunakan adalah 1.

0 0 2

2 0 0

0 2 0

Gambar 2.12. Matriks kookurensi dengan jarak 1 dan arah 0º

Matriks kookurensi yang didapat selanjutnya akan ditambahkan dengan matriks

transpose untuk menjadi matriks yang simetris. Matriks simetris dapat dilihat pada

Gambar 2.13.

(0,0) (0,1) (0,2)

(1,0) (1,1) (1,2)

(2,0) (2,1) (2,2)


27

0 0 2 0 2 0 0 2 2

2 0 0 0 0 2 2 0 2

0 2 0 2 0 0 2 2 0

Gambar 2.13. (a) Matriks kookurensi; (b) Matriks transpose;

(c) Matriks simetris (kookurensi + transpose)

Setelah matriks simetris terbentuk, selanjutnya normalisasi akan dilakukan

pada matriks ke dalam bentuk probabilitas dengan cara membagi masing-masing nilai

kookurensi dengan jumlah semua nilai kookurensi pada matriks, sehingga hasil

penjumlahan semua nilai pada matriks adalah 1.Nilai kookurensi yang didapatkan

pada matriks simetri adalah 2+2+2+2+2+2 = 12. Gambar 2.14. menunjukkan matriks

hasil normalisasi.

Gambar 2.14. Normalisasi matriks

Langkah selanjutnya setelah proses normalisasi dilakukan adalah menghitung

ciri atau fitur statistik GLCM. Beberapa ciri atau fitur statistik yang diusulkan oleh

Haralick adalah sebagai berikut.

2.5.1.1. Energy

Energy atau Angular Second Moment (ASM) digunakan untuk mengukur konsentrasi

pasangan dan intensitas keabuan tertentu pada matriks sebuah citra. ASM dihitung

dengan menggunakan persamaan (2.7).

(a) (b) (c)


28

∑∑

(2.7)

Dimana: = matriks yang sudah dilakukan normalisasi

2.5.1.2. Homogenity

Homogenity atau Inverse Different Moment (IDM) digunakan untuk mengukur

homogenitas citra dengan derajat keabuan sejenis dimana citra homogen akan

memiliki IDM yang besar. Homogenity dihitung dengan menggunakan persamaan

(2.8).

∑∑

( )

(2.8)

2.5.1.3. Contrast

Contrast atau variasi intensitas lokal digunakan untuk mengukur variasi derajat

keabuan suatu daerah citra. Contrast dihitung dengan menggunakan persamaan (2.9).

∑( )

{∑∑

} (2.9)

2.5.1.4. Dissimilarity

Dissimilarity digunakan untuk mengukur tingkat perbedaan (dissimilaritas) citra

dengan derajat keabuan citra lain. Dissimilarity dihitung dengan menggunakan

persamaan (2.10).

∑∑| |

(2.10)


29

2.5.1.5. Entropy

Entropy digunakan untuk mengukur informasi citra dan informasi yang hilang akibat

transmisi sinyal. Entropy dihitung dengan menggunakan persamaan (2.11).

∑∑ ( )

(2.11)

2.5.1.6. Variance

Variance digunakan untuk mengukur persebaran diantara mean kombinasi antara

piksel referensi dengan piksel tetangga. Variance dihitung dengan menggunakan

persamaan (2.12).

∑∑( )

(2.12)

2.5.1.7. Correlation

Correlation digunakan untuk menghitung keterkaitan piksel yang memiliki derajat

keabuan i dengan piksel yang memiliki derajat keabuan j. Correlation dihitung dengan

menggunakan persamaan (2.13).

∑∑

( )( )

(2.13)

Dimana: = elemen dari matriks simetris yang telah dinormalisasi

N = banyaknya derajat keabuan dari citra

, = mean

Mean dapat dihitung dengan menggunakan persamaan (2.14) dan persamaan (2.15).

∑∑ ( )

(2.14)


30

∑∑ ( )

(2.15)

2.6. Backpropagation Neural Network

Backpropagation merupakan salah satu bagian dari Neural Network. Backpropagation

merupakan metode pelatihan jaringan saraf tiruan yang terawasi (supervised learning)

yang melakukan pengubahan bobot-bobot penghubung antar neuron pada lapisan

tersembunyi (Priyani, 2009). Backpropagation berusaha menyeimbangkan

kemampuan jaringan dalam mengenali pola selama waktu pelatihan dan melatih

jaringan agar menghasilkan output yang benar berdasarkan pola masukan yang tidak

sama dengan pola yang dipakai pada saat pelatihan (Purnamasari, 2013).

Ciri dari Backpropagation adalah meminimalkan kesalahan (error) pada

output yang dihasilkan oleh jaringan. Dalam metode Backpropagation, biasanya

digunakan jaringan multi layer. Jaringan multi layer yang dimaksud adalah layer yang

terdiri dari input layer (layer masukan), hidden layer (layer tersembunyi), dan output

layer (layer keluaran). Dalam pengembangannya, hidden layer dapat terdiri dari satu

atau lebih unit hidden layer. Arsitektur jaringan backpropagation dapat dilihat pada

Gambar 2.15.

Gambar 2.15 Arsitektur backpropagation dengan satu hidden layer

(Purnamasari, 2013)

Dari gambar 2.15 dapat dijelaskan bahwa:

1. Backpropagation memiliki beberapa unit masukan yang ada dalam satu atau

lebih layer tersembunyi. Arsitektur Backpropagation dengan masukan

(ditambah sebuah bias), sebuah layer tersembunyi yang terdiri dari p unit

(ditambah sebuah bias), serta m buah unit keluaran.


31

2. Vij merupakan bobot garis dari unit masukan Xi ke unit layar tersembunyi Zj

(Vj0 merupakan bobot garis yang menghubungkan bias di unit masukan ke

unit layer tersembunyi Zj). Wkj merupakan bobot dari unit layer tersembunyi

Zj ke unit keluaran Yk (Wk0 merupakan bobot dari bias di layer tersembunyi

ke unit keluaran Yk).

Algoritma Backpropagation merupakan perhitungan matematik dengan

rumusan yang menentukan tiap layer-nya. Algoritma pelatihan Backpropagation

Neural Network (BPNN) pertama kali dirumuskan oleh Werbos dan dipopulerkan oleh

Rumelhart dan Mc.Clelland. Backpropagation Neural Network merupakan tipe

jaringan saraf tiruan yang menggunakan metode pembelajaran terbimbing atau

terawasi (supervised learning). Pada supervised learning terdapat pasangan data input

dan output yang dipakai untuk melatih jaringan saraf tiruan hingga diperoleh bobot

penimbang (weight) yang diinginkan. Penimbang itu sendiri adalah sambungan antar

lapis dalam jaringan saraf tiruan. Algoritma ini memiliki proses pelatihan yang

didasarkan pada interkoneksi yang sederhana, yaitu apabila keluaran memberikan

hasil yang salah, maka penimbang dikoreksi agar kesalahan (error) dapat diperkecil

dan tanggapan jaringan saraf tiruan selanjutnya diharapkan dapat mendekati nilai yang

benar.

Adapun tahapan yang dilakukan pada algoritma iniadalah :

1. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil

antara 0 sampai 1).

2. Untuk setiap pasangan vektor pelatihan lakukan langkah 3 sampai langkah 8.

3. Tiap-tiap unit input (Xi dimana i=1,2,3,...,n) menerima sinyal masukan Xi dan

menjalankan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya

atau selanjutnya (dalam hal ini adalah hidden layer).

4. Tiap-tiap unit tersembunyi (Zj dimana j=1,2,3,...,p) jumlahkan bobotnya

dengan sinyal-sinyal input masing-masing :

∑ ( )

(2.16)

gunakan fungsi aktivasi untuk menghitung sinyal output-nya:

( ) (2.17)


32

dan kirimkan sinyal tersebut ke semua unit di layer atasnya (unit-unit output

layer)

5. Tiap-tiap unit output (Ykdimana k=1,2,3,...,m) jumlahkan bobotnya dengan

sinyal-sinyal input masing-masing :

∑ ( )

(2.18)

gunakan fungsi aktivasi untuk menghitung sinyal outputnya :

( ) (2.19)

dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit

output).

6. Tiap-tiap unit output (Yk dimana k=1,2,3,...,m) menerima target pola yang

berhubungan dengan pola input pembelajaran, hitung informasi error-nya:

( ) (

) ( ) ( ) (2.20)

kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk

memperbaiki nilai wjk):

(2.21)

hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki

nilai w0k):

(2.22)

kirimkan ini ke unit-unit yang ada lapisan bawahnya.

7. Tiap-tiap unit tersembunyi (Zj dimana j=1,2,3,...,p) menjumlahkan delta

inputnya (dari unit-unit yang berada pada lapisan di atasnya):

∑ ( )

(2.23)

kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung

informasi error :

( ) ( ) (2.24)

kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk

memperbaiki nilai vij) :

(2.25)

hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki

nilai v0j) :

(2.26)


33

8. Tiap-tiap unit output (Yk dimana k=1,2,3,...,m) memperbaiki bias dan bobotnya

(j = 0,1,2,...,p):

( ) ( ) (2.27)

tiap-tiap unit tersembunyi (Zj dimana j = 1,2,3,...,p) memperbaiki bias dan

bobotnya (i = 0,1,2,...,n):

( ) ( ) (2.28)

9. Tes kondisi berhenti.

Tahap 3 sampai dengan tahap 5 merupakan bagian dari feed forward, tahap 6

sampai 8 merupakan bagian dari backpropagation.

2.7. Penelitian Terdahulu

Penelitian mengenai kanker paru-paru sebelumnya telah dilakukan oleh Pratap pada

tahun 2016 dalam penelitian dengan judul Detection of Lung Cancer Cells Using

Image Processing Techniques. Pada penelitian ini, digunakan metode Median

Filtering, Threshold Segmentation, Watershed Algorithm dan Morphological

Operations. Adapun hasil dari penelitian ini adalah teknik yang digunakan dibagi ke

dalam dua tahap, yaitu tahap pengolahan citra distorsi input menggunakan filter dan

segmentasi, sedangkan tahap kedua adalah operasi morfologi pada citra CT (pratap,

2016).

Pada tahun 2017 Mohammad Fadly Syahputra, C. Amalia, Romi Fadillah

Rahmat dan Ulfi Andayani melakukan penelitian yang berjudul Hypertensive

Retinopathy Identification Through Retinal Fundus Image Using Backpropagation

Neural Network. Dalam penelitian ini, metode Backpropagation secara efisien dapat

mengidentifikasi penyakit Hypertensive Retinopathy dengan akurasi sebesar 95%.


34

Penelitian selanjutnya dilakukan oleh Amalia Rahmi pada tahun 2017 dalam

penelitian berjudul Klasifikasi Pendarahan Otak Menggunakan Backpropagation

Neural Network. Dalam penelitian tersebut metode Backpropagation mampu

melakukan klasifikasi pendarahan otak melalui citra CT Scan dengan baik. Sehingga

hasil dari proses klasifikasi pendarahan otak melalui citra CT Scan otak memiliki

tingkat akurasi 88%.

Penelitian selanjutnya pernah dilakukan dengan judul Automatic Detection of

Pulmonary Tuberculosis Using Image Processing Techniques. Pada penelitian ini

tahap pertama yang dilakukan adalah prepocessing, kemudian dilakukan Registration

Based Image Segmentation, Watershed Segmentation, Threshold dan Active Contour.

Pada penelitian ini data yang digunakan adalah citra toraks dalam bentuk x-ray skala

keabuan dengan data paru normal dan abnormal (tuberculosis) Deteksi otomatis

tuberkulosis untuk paru-paru membandingkan thresholding global dan metode kontur

aktif dengan algoritma yang diusulkan dalam melakukan segmentasi citra dan

menemukan bahwa keakuratan Metode yang diusulkan adalah 60% dibandingkan

dengan kontur aktif dan thresholding global.

Penelitian berikutnya berjudul Automatic Detection of Major Lung Diseases

Using Chest Radiographs and Classification by Feed-forward Artifieial Neural

Network pada penelitian ini di kembangkan sistem otomatis untuk mendeteksi

penyakit paru seperti TB pneumonia dan kanker paru-paru menggunakan radiograf

dada. Gambar pre-processing menggunakan pemerataan histogram (histogram

equalization) dalam melakukan segmentasi citra memberi hasil yang baik untuk

radiograf dada. penerapan Teknik jaringan syaraf tiruan seperti feed forward

memberikan hasil yang baik yaitu tingkat akurasi 92% (Khobragade,2016). Penelitian

terdahulu yang telah dipaparkan akan diuraikan secara singkat pada Tabel 2.1.


35

Tabel 2.1 Penelitian terdahulu

No Peneliti Judul Metode

1 PrataplGawadePrathames

dan Chauhan R.P.

Detection Of Lung Cancer

Cells Using Image

Processing Techniques

Median Filtering,

Threshold, Segmentation,

Watershed Algortithm dan

Morphological Operations

2

Mohammad

Fadlysyahputra,C.amalia,

RomiFadillahRahmat

danUlfiAndayani

Hypertensive retinopathy

identification through

retinalfundus image using

backpropagation neural

network

BackpropagationNeural

Network

3 Amalia Rahmi

klasifikasipendarahan otak

menggunakan

Backpropagationneural

network

Backpropagation Artificial

Neural Network

4 Poomimadevi. CS dan

Helen Sulochana C

Automatic Detection of

Pulmonary Tuberculosis

Using Image Processing

Technique

Preprocessing, Registration

Based Image

Segmentation, Watershed

Segmentation, Threshold

dan Active Contour

5

Khobragade Shubhangi,

Tiwari Aditya, Patil C.Y.

dan Narke Vi Kram

Aautomatic Detection of

Major Lung Diseases Using

Chest Radiographs and

Classification by Feed

Forward Artificial Neural

Network

Feed Forward Artificial

Neural Network


36

BAB 3

ANALISIS DAN PERANCANGAN

Bab ini akan membahas tentang analisis dan perancangan dalam aplikasi identifikasi

penyakit kanker paru-paru. Tahap pertama yaitu analisis data yang digunakan, analisis

dengan menggunakan beberapa tahapan pengolahan citra yang digunakan, kemudian

implementasi metode Backpropagation neural network. Pada tahapan selanjutnya

yaitu dilakukan perancangan tampilan antarmuka sistem.

2.3 Arsitektur Umum

Metode yang diajukan untuk mengidentifikasi penyakit kanker paru-paru yang

disebabkan pertumbuhan sel yang tidak terkendali yang ditandai berupa bercak

berwarna putih terdiri dari beberapa tahapan. Tahapan-tahapan tersebut dimulai dari

pengumpulan data citra Normal, dan kanker paru-paru (Abnormal) yang akan

digunakan untuk citra latih dan dan citra uji, tahap preprocessing yang terdiri atas

cropping untuk memotong citra pada daerah paru dan merubah ukuran citra menjadi

berdimensi lebih kecil agar memudahkan proses pengolahan citra selanjutnya, Scaling

yang digunakan untuk menentukan ukuran piksel yang digunakan dalam pemrosesan

citra paru. Kemudian dilakukan penyeragaman gambar keabuan dengan menggunakan

Grayscale. Tahapan selanjutnya yaitu proses segmentasi menggunakan region of

interest dimana daerah yang merupakan kanker akan didapatkan kemudian proses

edge detection dilakukan untuk mendapatkan tepi dari bagian kanker yang sudah

didapatkan pada proses region of interest (ROI). setelah itu dilakukan proses erosi dan

minimum filter untuk memperjelas area tumor, kemudian ekstraksi fitur dilakukan

dengan menggunakan GLCM, hingga pada akhirnya implementasi metode

Backpropagation neural network dilakukan untuk mengidentifikasi kanker paru-paru.

Adapun tahapan-tahapan diatas dapat dilihat dalam bentuk arsitektur umum pada

Gambar 3.1.


37

Gambar 3.1. Arsitektur umum


38

2.4 Dataset

Data citra yang digunakan dalam penelitian ini adalah citra Chest Xray (CXR) yang

diperoleh dari http://www.jsrt.or.jp JSRT (Japanese society of radiology). Tujuan dari

Japanese Society of Radiological Technology (JSRT) adalah untuk berkontribusi

dalam pengembangan dan peningkatan ilmu pengetahuan dan teknologi radiologi

dalam hal aktivitas penelitian, pertukaran intelektual, dan komunikasi ilmiah dengan

pihak-pihak terkait lainnya. Data citra yang diperoleh adalah citra paru-paru dada

normal dan citra kanker paru-paru. Data tersebut akan digunakan sebagai data

pelatihan dan data pengujian.

2.5 Pre-processing

Tahapan ini merupakan tahap pengolahan citra yang yang bertujuan untuk

menghasilkan citra yang lebih baik untuk diproses pada tahapan selanjutnya. Tahapan

preprocessing ini terdiri dari, cropping, Scaling dan Grayscaling.

3.3.1.Cropping

Tahapan pertama yang dilakukan adalah cropping. Tahapan ini bertujuan untuk

memotong citra pada daerah paru-paru agar memudahkan proses pengolahan citra

selanjutnya. Proses cropping dilakukan dengan manual menggunakan photoshop dari

citra berukuran 2010 x 2010 piksel kemudian dipotong pada bagian daerah paru-paru

menjadi berukuran 1760 x 1760 piksel.

3.3.2.Scaling

Proses scaling dilakukan pada citra hasil cropping yaitu dengan mengubah dimensi

citra menjadi berukuran 320 x 320 piksel . dibutuhkan untuk mengatur ukuran piksel

pada citra. Semakin banyak jumlah piksel maka akan semakin banyak waktu untuk

proses pengolahan citra.

3.3.3.Grayscaling

Tahapan akhir pada proses preprocessing adalah grayscale. Dimana pada tahapan ini

bertujuan untuk penyeragaman warna keabuan pada citra yang akan diproses. Pada

citra asli terlihat warna keabuan tidak merata. Citra Grayscale dapat dilihat pada

Gambar 3.2.



39

Gambar 3.2 citra grayscale

(Sumber: http://www.jsrt.or.jp)

2.6 Pembentukan Mold

Pembentukan mold dilakukan untuk mendapatkan model dari citra normal. Model

yang telah dibentuk berdasarkan citra normal akan digunakan sebagai pembanding

dengan citra input. Jika citra input merupakan citra kanker, maka perbandingan antara

citra input dengan model akan mempermudah penentuan daerah mana yang

merupakan kanker dan daerah yang bukan merupakan kanker. Jika citra input

merupakan citra normal, maka citra input akan memiliki karakteristik yang hampir

sama dengan model yang digunakan. Pembuatan model ini memiliki empat tahapan,

yaitu zero threshold, k-means, perkalian citra hasil zero threshold dengan citra normal

yang kemudian hasil pada proses ini akan kembali dilakukan perkalian citra dengan

citra input pada langkah terakhir.

3.4.1. Zero Threshold

Langkah pertama yang harus dilakukan adalah menentukan citra yang akan dijadikan

model. Citra yang dipilih adalah citra yang merupakan citra dengan paru-paru normal

(bukan kanker). Proses zero threshold akan dilakukan terhadap citra normal untuk

mengidentifikasi dan memisahkan objek yang diinginkan (dalam hal ini paru-paru

normal) dari background berdasarkan distribusi tingkat keabuan atau tekstur citra.

Hasil dari proses zero threshold dapat dilihat pada Gambar 3.3.



40

Gambar 3.3. Citra zero threshold

3.4.2. K-means

Tahap selanjutnya yang dilakukan dalam pembuatan mold adalah k-means. Proses k-

means akan dilakukan terhadap citra normal yang telah dipilih pada tahap

sebelumnya. Penggunaan k-means ditujukan untuk mengelompokkan objek yang tidak

memiliki label ke dalam sektor yang memiliki pola yang sama sesuai dengan jumlah

cluster yang ditentukan. Sehingga dalam satu cluster akan terdapat kumpulan objek

dengan tingkat kemiripan yang tinggi dan pola yang sama. Hasil dari k-means dapat

dilihat pada Gambar 3.4.

Gambar 3.4. Citra kmeans dengan k=3

3.4.3. Perkalian Citra Normal dengan Citra Hasil Zero Threshold

Tahap selanjutnya yang dilakukan adalah perkalian citra normal dengan citra hasil

zero threshold. Proses perkalian citra ini dilakukan untuk mendapatkan hasil berupa

citra paru-paru normal tanpa derau. Citra hasil proses ini yang akan digunakan sebagai

model untuk menentukan apakah citra input merupakan citra yang memiliki daerah

kanker atau tidak. Hasil dari proses ini dapat dilihat pada Gambar 3.5.


41

Gambar 3.5. Citra hasil perkalian normal dengan hasil zero threshold

3.4.4. Perkalian Citra Input dengan Citra Hasil

Proses untuk menentukan apakah citra input memiliki area kanker atau tidak

dilakukan dengan perkalian citra input dengan citra model yang dihasilkan pada tahap

sebelumnya. Jika citra input adalah citra kanker, maka perkalian citra akan

menghasilkan citra yang mengandung piksel area tumor yang tidak berada pada citra

model. Citra hasil proses ini akan digunakan pada tahap Region of Interest. Hasil dari

proses ini dapat dilihat pada Gambar 3.6.

Gambar 3.6. Citra hasil perkalian citra input dan citra hasil


42

2.7 Segmentasi

Tahapan setelah preprocessing yaitu Segmentasi yang bertujuan untuk memisahkan

area yang merupakan kanker dan area yang bukan merupakan kanker. Proses

segmentasi dibagi ke dalam dua tahapan, yaitu Region of Interest (ROI) dan Edge

Detection.

3.5.1. Region of Interest (ROI)

Dengan menggunakan ROI, citra akan dibagi ke dalam region-region tertentu sesuai

dengan objeknya. Objek yang dimaksud pada tahap ini adalah objek yang merupakan

kanker dan objek yang bukan merupakan kanker. Dengan menggunakan ROI

pengolahan citra akan difokuskan pada daerah yang diduga sebagai kanker, sehingga

proses untuk memisahkan daerah yang merupakan kanker dan daerah yang bukan

merupakan kanker memiliki akurasi yang baik dan lebih mudah untuk dilakukan. Pada

tahap ROI ini perkalian antara citra hasil proses k-means (langkah kedua pada

pembentukan mold) dengan citra yang merupakan hasil dari perkalian citra input

dengan citra hasil (langkah ke-empat pada pembentukan mold) dilakukan. Hasil dari

ROI adalah citra kanker yang masih menyisakan pinggiran paru-paru. Hasil dari

proses ini dapat dilihat pada Gambar 3.7.

Gambar 3.7. Citra hasil perkalian citra k-means dengan citra hasil


43

3.5.2. Edge Lung Detection

Jika pada tahap ROI output yang dihasilkan adalah citra kanker yang masih

menyisakan pinggiran paru-paru, pada tahap edge lung detection akan dilakukan

pendeteksian tepi dari bagian paru-paru. Hasil dari proses edge lung detection akan

digunakan untuk menghilangkan pinggiran paru-paru yang didapatkan pada citra hasil

ROI. Edge lung detection memiliki beberapa tahapan, yaitu canny edge detection,

dilasi citra, negasi citra dan perkalian citra hasil dilasi dan negasi ROI.

3.5.2.1. Canny Edge Detection

Tepian citra dapat merepresentasikan objek-objek yang terkandung dalam citra

tersebut, bentuk dan ukurannya serta terkadang informasi mengenai tekstur dari citra

tersebut. Citra yang dihasilkan pada proses ini merupakan citra garis yang

merepresentasikan pinggiran dari paru-paru citra input. Hasil dari proses ini dapat

dilihat pada Gambar 3.8.

Gambar 3.8. Citra canny edge detection

3.5.2.2. Dilasi

Proses dilasi bertujuan untuk memperjelas dan memperbesar objek pada citra. Pada

tahap ini proses dilasi pada citra berbentuk garis yang didapat pada tahap sebelumnya

akan dilakukan. Sehingga menghasilkan citra dengan bentuk garis yang lebih tegas

dan jelas. Hasil pada proses ini dapat dilihat pada Gambar 3.9.


44

Gambar 3.9. Citra dilasi

3.5.2.3. Negasi Citra ROI

Pada tahap ini setiap nilai piksel pada citra dibalik dengan acuan threshold yang

diberikan. Warna putih diubah menjadi hitam dan hitam diubah menjadi putih. Negasi

ini sering digunakan untuk memperjelas warna putih atau abu-abu pada bagian gelap

di sebuah citra.

3.5.2.4. Perkalian Citra Hasil Dilasi dan Negasi ROI

Pada tahap ini dilakukan perkalian piksel citra hasil dilasi dengan piksel citra hasil

negasi ROI pada tahap sebelumnya. Nilai piksel hasil perkalian citra yang lebih dari

nilai 255 akan ditetapkan menjadi 255.Proses pada tahapan ini menghasilkan

pinggiran paru-paru yang masih tersisa pada bagian ROI citra. Hasil pada proses ini

digunakan untuk menghilangkan pinggiran paru-paru yang bukan merupakan objek

tumor. Hasil pada proses ini dapat dilihat pada Gambar 3.10.

Gambar 3.10. Citra hasil perkalian citra hasil dilasi dan negasi ROI


45

3.5.3. Removal Normal Edge Lung

Proses removal edge lung digunakan untuk menghilangkan sisa bagian paru-paru

normal dari area tumor dan menipiskan piksel dari area bukan tumor yang tersisa.

Tahapan ini terdiri dari dua tahapan yaitu perkalian citra hasil edge lung detection dan

negasi ROI dan minimum filter.

3.5.3.1. Perkalian Citra Hasil Edge Lung Detection dan Negasi ROI

Pada tahap ini citra hasil edge lung detection dikalikan kembali dengan citra negasi

ROI. Hal ini bertujuan untuk menghilangkan pinggiran paru-paru normal dari citra

tumor. Hasil dari tahapan ini dapat dilihat pada Gambar 3.11.

Gambar 3.11. Citra hasil perkalian citra hasil dan negasi ROI

3.5.3.2. Minimum Filter

Minimum filter digunakan untuk menghilangkan titik-titik noise yang bukan bagian

dari objek. minimum filter menseleksi piksel dengan menggantikan piksel pusat

menjadi piksel dengan nilai paling minimum. Hasil dari tahapan ini dapat dilihat pada

Gambar 3.12.


46

Gambar 3.12. Citra minimum filter

2.8 Gray Level Co-occurence Matrix (GLCM)

Setelah citra ROI sudah didapatkan, tahap selanjutnya adalah tahapan feature

extraction menggunakan Gray Level Co-occurrence Matrix (GLCM). Bagian citra

yang digunakan dalam perhitungan matriks kookurensi adalah bagian tumor yang

digambarkan pada citra input yang telah melalui proses preprocessing.

Langkah-langkah feature extraction menggunakan GLCM adalah sebagai berikut.

1. GLCM diawali dengan pembacaan input citra yang merupakan citra hasil proses

minimum filter.

2. Menentukan nilai gray-level tertinggi 256. Gray level ini digunakan untuk

membangun matriks framework.

3. Menentukan arah dan jarak piksel referensi dengan piksel tetangga. Arah yang

digunakan adalah , sementara jarak yang digunakan adalah

1.

4. Menghitung jumlah nilai kookurensi berdasarkan arah dan jarak yang telah

ditentukan.

5. Membuat matriks simetris untuk masing-masing arah dengan menambahkan

matriks kookurensi dan matriks transpose-nya.

6. Membagi nilai kookurensi matriks simetris dengan jumlah keseluruhan nilai

kookurensi untuk mendapatkan matriks normal. Hasil yang diperoleh dari

penjumlahan keseluruhan matriks normal adalah 1.


47

7. Menghitung 7 fitur statistik, yaitu energy, homogeneity, contrast, entropy,

dissimilarity, variance dan correlation.

8. Fitur statistik dihitung untuk masing-masing matriks kookurensi pada arah yang

sudah ditentukan, yang sudah dinormalisasi. Karena arah yang digunakan adalah

4 arah maka akan terdapat 28 fitur. Contoh fitur hasil perhitungan citra

ditunjukkan pada Tabel 3.1.

Tabel 3.1. Fitur Haralick

No Arah Energy Homogenity Contrast Entropy Dissimilarity Variance Correlation

1 0 0.901 0.972 16.0 0.477 0.441 1533.804 6.485

2 45 0.900 0.969 24.0 0.488 0.617 1533.804 6.468

3 90 0.901 0.971 15.0 0.477 0.424 1533.804 6.488

4 135 0.900 0.969 23.0 0.486 0.588 1533.804 6.470

2.9 Identifikasi

Tahap terakhir untuk mengidentifikasi kanker paru melalui citra chest X-ray (CXR)

adalah adanya penyakit kanker paru atau sebaliknya. Beberapa data di-input sebagai

data latih, kemudian pengetahuan dan informasi yang diporeleh dari proses training

tersebut digunakan sebagai acuan untuk identifikasi kanker paru dengan menggunakan

Backpropagation Neural Network .

3.7.1. Tahap Perancangan Arsitektur Bacpropagation Neural Network

Sebelum dilakukan proses pelatihan, maka Backpropagation Neural Network harus di

rancang terlebih dahulu. Pada penelitian ini, arsitektur jaringan backpropagation yang

akan dirancang terdiri dari 28 neuron pada lapisan input, 3 neuron pada lapisan

tersembunyi dan 2 neuron pada lapisan output. Jumlah 28 neuron pada lapisan input

ditentukan berdasarkan jumlah fitur dari hasil ekstraksi. Gambar 3.13. menunjukkan

arsitektur Backpropagation.


48

Gambar 3.13 Arsitektur Backpropagation

Adapun penjelasan dari rancangan arsitektur jaringan saraf tiruan pada gambar 3.13

adalah sebagai berikut :

1. Input layer memiliki 28 neuron ditambah 1 buah bias, hidden layer memiliki

3 neuron dengan ditambah 1 bias dan ouput layer memiliki 2 neuron.

2. x1 sampai dengan x28 adalah neuron pada lapisan input, z1 sampai dengan z3

adalah neuron pada hidden layer dan y1 sampai dengan y5 adalah neuron pada

output layer.

3. b1 merupakan bias yang menuju pada hidden layer, sedangkan b2 adalah bias

yang menuju output layer.

4. vij merupakan nilai bobot koneksi antara neuron i pada input layer dengan

neuron j pada hidden layer. Kemudian wjk adalah nilai bobot koneksi antara

neuron j pada hidden layer dengan neuron k pada output layer.

y

1

y

2

x1

x2

x3

x2

8

b

z1

z2

z3

x4

b


49

voj adalah bobot koneksi antara bias dengan neuron j pada hidden layer

sedangkan woj adalah bobot koneksi antara bias dengan neuron k pada output

layer.

3.7.2. Tahap Pelatihan Backpropagation

Setelah jaringan terbentuk, maka tahap selanjutnya adalah pelatihan jaringan

menggunakan Backpropagation. Adapun tujuan dari pelatihan jaringan

Backpropagation adalah untuk mengatur nilai bobot yang terdapat pada jaringan,

sehingga nilai error yang dihasilkan akan semakin kecil. Setelah pelatihan jaringan

selesai dilakukan, bobot akhir pada proses pelatihan akan disimpan yang kemudian

bobot akhir tersebut akan digunakan pada tahap pengujian.

Tahap pelatihan Backpropogation dilakukan untuk mendapatkan nilai bobot

akhir yang kemudian akan digunakan untuk tahap pengujian. Berikut ini adalah uraian

pelatihan jaringan Backpropagation menggunakan 2 neuron input, 1 neuron hidden

dan 1 neuron output.

a. Data yang diberikan dengan menggunakan inputx1 sampai x2 yang

dapat dilihat pada Tabel 3.2.

Tabel 3.2. Input dan Target

Data X1 X2 Target

Citra 1 0.901 0.972 1

Citra 2 0.900 0.969 1

b. Inisiasi bobot awal dengan nilai antar 0 sampai 1

Inisiasi bobot koneksi antara input layer dan hidden layer ( ) seperti yang

terlihat pada Tabel 3.3.


50

Tabel 3.3. Bobot awal Vji

Data V10(bias) V11 V12

Citra 1 0,32 0,75 0,68

Inisiasi bobot koneksi antara lapisan tersembunyi dan lapisan output (Wkj) seperti

yang terlihat pada tabel 3.4

Tabel 3.4 Bobot awal Wji

Data W10(bias) W11

Citra 1 0.62 0,83

c. Tentukan parameter learning rate, minimum error dan maksimum

epoch.

Learning rate = 0.8

Minimum error = 0.02

Maksimum epoch = 1000

d. Dilakukan iterasi selama epoch < maksimal epoch dan nilai error>

minimum error.

e. Lakukan langkah fase forward

Hitung nilai pada lapisan tersembunyi dengan menggunakan

Persamaan 2.13 :


51

1*0,32+(0.901*0,75)+(0.972*0,68)

Kemudian hitung nilai keluaran pada node di lapisan tersembunyi

menggunakan fungsi aktivasi sigmoid biner dari persamaan 2.19,

dengan e merupakan konstanta = 2.718281828

( )

( ) 0,0007

Hitung nilai _ k pada node di lapisan output menggunakan

Persamaan :

(1*0,62) +(0,0007*0,83) = 0,62

Kemudian hitung nilai keluaran yk pada node di lapisan output

menggunakan fungsi aktivasi sigmoid biner.

( )

( )

f. Lakukan langkah – langkah pada fase backward.

Hitung faktor di unit keluaran yk dengan menggunakan persamaan

2.20.

( ) ( )

Hitung suku perubahan bobot wjk dengan menggunakan persamaan

2.20 (dengan learning rate )


52

Hitung penjumlahan pada unit tersembunyi zjk dengan

menggunakan persamaan 2.22.

Hitung faktor pada unit tersembunyi menggunakan persamaan 2.23.

( )

Hitung suku perubahan bobot vji dengan menggunakan persamaan

2.24.

g. Hitung perubahan bobot jaringan Backpropagation.

Hitung bobot baru setiap node lapisan output menggunakan

persamaan 2.26.

Hitung bobot baru setiap node lapisan tersembunyi dengan persamaan

2.25.


53

h. Hitung nilai error jaringan dengan menambahkan jumlah nilai error

setiap node pada lapisan output. Karena neuronoutput hanya satu

maka,

Error = 0.000006.

3.7.3. Tahap Pengujian Backpropagation

Proses pengujian jaringan Backpropagation dilakukan dengan hanya melaksanakan

fase arah maju (feed forward), karena pada tahap ini, data yang akan diuji adalah data

hasil ekstraksi fitur, dimana data tersebut bukan termasuk data pelatihan. Bobot yang

digunakan pada fase feed forward adalah bobot hasil pelatihan, dimana kemudian

dilakukan perhitungan nilai keluaran setiap node pada lapisan tersembunyi dan lapisan

output.

Kemudian dilakukan pengujian terhadap hasil keluaran setiap node pada lapisan

output. Apabila hasil keluaran node lebih besar dari 0,1 maka nilai keluaran pada node

tersebut akan diubah menjadi 1. Sebaliknya nilai keluaran pada node akan diubah

menjadi 0 jika nilai keluaran pada node tersebut lebih kecil dari 0.

Pada proses pengujian Backpropagation, data uji akan menjadi input bagi jaringan

Backpropagation dan bobot yang digunakan adalah bobot hasil pelatihan. Berikut

adalah contoh langkah - langkah pengujian Backpropagation dengan menggunakan

nilai bobot hasil pelatihan.

Masukkan data uji ke dalam jaringan. Data uji ditunjukkan pada

Tabel 3.5

Tabel 3.5. Data Uji

Data X1 X2 Target

Citra 4 0.900 0.969 1


54

Gunakan bobot hasil pelatihan seperti yang ditunjukkan pada Tabel

3.6 dan Tabel 3.7.

Tabel 3.6. Bobot Vkj baru

Bobot V10(bias) V11 V12

Nilai 0,32 684,55 867,11

Tabel 3.7. Bobot Wkj baru

Bobot W10(bias) W11

Nilai 0,6558 0,8547

Hitung nilai pada node di lapisan tersembunyi dengan

menggunakan persamaan :

( ) ( )

Hitung nilai keluaran zj pada node di lapisan tersembunyi

menggunakan persamaan 2.18

( )

( )


55

Hitung nilai _ k pada node di lapisan output dengan menggunakan

persamaan :

( ) ( )

Kemudian hitung nilai keluaran yk pada node di lapisan output

menggunakan persamaan:

( )

( )

Nilai keluaran 1 adalah 0.32, dimana 0.32 > 0.1. Maka nilai

memenuhi target 1

2.10 Output

Setelah dilakukan tahapan pemrosesan maka diperoleh output sistem yaitu apakah

paru teridentifikasi penyakit kanker paru (abnormal) atau normal.

2.11 Perancangan Sistem

Pada tahapan perancangan sistem ini akan dijelaskan tentang perancangan menu

sistem dan perancangan antarmuka aplikasi identifikasi kanker Paru-paru.

Perancangan ini bertujuan agar pengguna dapat mudah menjalankan aplikasi.

3.9.1. Perancangan menu sistem

Struktur menu pada sistem terdiri dari sebuah tampilan halaman beranda yang di

dalamnya terdapat akses untuk menuju halaman lain yaitu training, testing dan exit

yang masing-masing halaman memiliki fungsi untuk melakukan upload dan process,

ditambah dengan fungsi exit pada halaman yang berfungsi untuk keluar dari halaman.

Struktur menu pada sistem dapat dilihat pada Gambar 3.14.


56

Gambar 3.14. Struktur menu sistem

3.9.2 Perancangan antarmuka sistem

Antarmuka yang dirancang merupakan gambaran umum tentang tampilan yang

terdapat pada aplikasi.

1. Rancangan Tampilan Awal

Pada tampilan awal aplikasi ditampilkan logo dan nama sistem pada bagian kiri

dan tombol start pada bagian kanan jendela aplikasi untuk memulai sistem.

Adapun rancangan tampilan awal ditunjukkan pada Gambar 3.15.

Gambar 3.15. Rancangan tampilan awal


57

Keterangan:

a. Tombol “Start” memungkinkan pengguna (user) untuk memulai sistem dan

masuk ke tampilan utama sistem.

2. Rancangan Tampilan Utama

Pada tampilan utama aplikasi, terdapat dua buah tab atau pilihan menu yaitu tab

menu untuk training dan tab menu untuk testing. Tampilan tab menu training

seperti yang ditunjukkan pada Gambar 3.16.

Gambar 3.16. Rancangan tampilan tab menu training

Keterangan:

a. Tombol “Browse” memungkinkan user untuk memilih folder citra CXR paru-

paru dengan ekstensi file jpeg atau jpg.

b. Tombol “Train” memungkinkan user untuk melakukan proses training dataset.

Setelah proses training selesai dilakukan kemudian list atau daftar data citra yang

telah diproses akan ditampilkan pada panel “List Data Normal” jika citra yang

diproses adalah citra normal dan ditampilkan pada panel “List Data Kanker” jika

data citra yang diproses adalah citra kanker. Selanjutnya hasil bobot akan

judul - x

training testing

list data normal

list data kanker

aturan bobot

browse train reset

time

a b c


58

ditampilkan pada panel “bobot” dan waktu yang diperlukan dalam satu kali

proses training dataset akan ditampilkan pada panel “Time”.

c. Tombol “Reset” memungkinkan user untuk menghapus citra hasil proses data

training, dan menghapus seluruh riwayat rangkaian proses pada panel.

Adapun tab testing dapat digunakan setelah proses training selesai dilakukan dan

apabila pada proses training dilakukan reset. Maka fungsi pada tab testing tidak dapat

digunakan kembali kecuali proses training dilakukan kembali hingga selesai.

Tampilan tab menu testing seperti yang ditunjukkan pada Gambar 3.17.

Gambar 3.17. Rancangan tampilan tab menu testing

Keterangan:

a Tombol “Browse” memungkinkan user untuk memilih file citra CXR paru-paru

dengan ekstensi file jpeg atau jpg.

b Tombol “Uji” memungkinkan user untuk melakukan proses pendeteksian

penyakit kanker. Setelah proses pendeteksian penyakit kanker selesai, hasil pada

tahap pre-processing citra tersebut akan ditampilkan pada panel “Preprocessing”

dan ekstraksi ciri yang dihasilkan akan ditampilkan pada panel “Feature

Extraction”. Kemudian, hasil dari proses identifikasi akan ditampilkan pada panel

“Hasil Identifikasi”.

judul

fitur

training testing

browse uji reset

gambar awal

hasil identifikasi

- x

a b c

preprocessing


59

c Tombol “Reset” memungkinkan user untuk menghapus citra hasil dari proses

identifikasi citra beserta seluruh riwayat dari proses identifikasi yang terdapat

pada panel.

d Citra hasil dari proses pre-processing memberikan fasilitas zoom kepada user

yang memungkinkan user untuk melihat citra dalam ukuran yang lebih besar.


60

BAB 4

IMPLEMENTASI DAN PENGUJIAN

Bab ini membahas hasil yang didapatkan dari implementasi metode Backpropagation

untuk mendeteksi kanker paru-paru melalui citra CXR dan pengujian sistem sesuai

dengan analisis dan perancangan yang telah dibahas pada bab 3.

4.1. Implementasi Sistem

Pada tahap ini, metode Backpropagation akan di-implementasikan ke dalam sistem

menggunakan bahasa pemrograman Java sesuai dengan perancangan yang telah

dilakukan.

4.1.1. Spesifikasi perangkat keras dan perangkat lunak yang digunakan

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun

sistem adalah sebagai berikut:

1. Prosesor Intel Core i5-460M CPU @2.26 GHz 2.53 GHz

2. Kapasitas harddisk 320GB

3. Memori 4.00 GB RAM DDR3

4. Sistem operasi yang digunakan adalah Microsoft Windows 7 Ultimate

5. Eclipse Jee Oxigen 1a Release (4.7.1a).

6. Graphic card yang digunakan adalah ATI Mobility Radeon HD 5470


61

4.1.2. Implementasi perancangan antarmuka

Implementasi perancangan antarmuka berdasarkan rancangan yang telah dilakukan

pada Bab 3 adalah sebagai berikut.

1. Tampilan Awal Sistem

Tampilan awal sistem merupakan tampilan yang pertama kali muncul ketika

sistem dijalankan. Tampilan awal sistem dapat dilihat pada Gambar 4.1.

Gambar 4.1. Tampilan Awal Sistem

2. Tampilan Utama Sistem

Tampilan utama sistem memiliki dua buahtab yang dapat digunakan untuk

training dan testing. Tab training merupakan tab yang digunakan untuk

melakukan training menggunakan Backpropagation terhadap data kanker paru

dan data paru normal,sesuai dengan citra CXR yang diinputkan.Sedangkan, tab

testing digunakan untuk melakukan proses identifikasimenggunakan

Backpropagation melalui citra CXR yang diinputkan pada sistem. Tampilan

tab training dapat dilihat pada Gambar 4.2. dan tab testing dapat dilihat pada

Gambar 4.3.


62

Gambar 4.2. Tampilan tab training

Gambar 4.3. Tampilan tab testing


63

4.1.3 Implementasi data

Data yang dimasukkan ke dalam sistem adalah citra CXR yang bersumber dari basis

data JSRT (Japanese society of radiology) data terdiri dari 54 data pasien dengan 29

pasien kanker paru-paru dan 25 pasien dengan paru-paru normal. Rangkuman data

dapat dilihat pada Table 4.1

Tabel 4.1. Rangkuman data citra CXR

No. Nama Citra Jenis Citra Citra

1. LC_(1) Kanker

2. LC_(2) Kanker

3. LC_(3) Kanker

4. LC_(4) Kanker


5. LC_(5) Kanker

6. LC_(6) Kanker

7. LC_(7) Kanker

8. LC_(8) Kanker


64

9. LC_(9) Kanker

10. LC_(10) Kanker

11. LC_(11) Kanker

12. LC_(12) Kanker

13. LC_(13) Kanker

14. LC_(14) Kanker


15. LC_(15) Kanker

16. LC_(16) Kanker

17. LC_(17) Kanker


65

18. LC_(18) Kanker

19. LC_(19) Kanker

20. LC_(20) Kanker

21. LC_(21) Kanker

22. LC_(22) Kanker

23. LC_(23) Kanker


24. LC_(24) Kanker

25. LC_(25) Kanker

26. LC_(26) Kanker


66

27. LC_(27) Kanker

28. LC_(28) Kanker

29. LC_(29) Kanker

30. MCUCXR_0005_0 Normal










67














68







4.2. Prosedur Operasional

Tampilan awal yang aplikasi seperti yang ditunjukkan pada gambar 4.1. memiliki satu

buah tombol, yaitu tombol “Start” yang digunakan untuk masuk ke tampilan utama

dalam sistem. Tampilan utama sistem memiliki dua buah tab yang masing-masing

memiliki fungsi tunggal untuk training dan testing.Tampilan tab training seperti yang

ditunjukkan oleh Gambar 4.2 memiliki tiga buah tombol yaitu “Browse”, “Training”,

dan “Reset”. Tombol Browse digunakan untuk memilih folder citra CXR yang akan

diproses. Tampilan saat tombol “Browse”dipilih dapat dilihat pada Gambar 4.4.


69

Gambar 4.4. Tampilan saat tombol “Browse” dipilih

Folder citra input CXR harus merupakan folder yang terdiri dari dua buah sub-

folder yang masing-masing memiliki nama folder, kanker dan normal.Isi folder

tersebut adalah citra yang dengan jenis yang sesuai dengan nama folder tempat file

citra tersebut berada. Setelah proses pemilihan input selesai dilakukan, tombol

“Training” akan aktif sementara tombol “Reset” masih dalam kondisi tidak aktif.

Tampilan tab training aplikasi setelah citra input dipilih dapat dilihat pada Gambar

4.5.

Gambar 4.5. Tampilan tab training aplikasi setelah citra dipilih


70

Tombol “Training” yang sudah aktif dapat digunakan untuk menjalankan

proses pre-processing, segmentation, feature extraction dan data trainingsekaligus

dengan menggunakan satu tombol. Hasil dari setiap tahapan proses disimpan dalam

folder Identifikasi Penyakit yang akan otomatis ter-create pada saat proses start

berlangsung. Hasil pada tahapan pre-processing data training ini akan disimpan pada

sub-folder images yang terdapat didalam sub-folder train. Sedangkan, hasil ekstraksi

fitur yang diperoleh akan disimpan dalam bentuk file teks di dalam sub-folder text

dengan nama train.txt.

Setelah proses training dataset selesai dilakukan tombol “Reset” akan aktif .

Tombol “Reset” dapat digunakan untuk mengembalikan sistem seperti pada saat

sistem dimulai. Sehingga user dapat melakukan input data yang berbeda. Hasil yang

akan ditampilkan pada sistem setelah proses training selesai adalah seperti yang

ditunjukkan pada Gambar 4.6.

Gambar 4.6. Tampilan awal aplikasi pada hasil training dataset

Selanjutnya, setelah proses data training selesai maka tombol “Browse” pada

tab testing akan aktif. Tombol “Browse” pada tab testing memiliki fungsi yang sama

dengan tombol “Browse” pada tab training. Tombol ini digunakan untuk mencari file


71

input citra CXR dengan ekstensi .jpg atau jpeg. Tampilan pada saat tombol “Browse”

dipilih ditunjukkan pada Gambar 4.7.

Gambar 4.7. Tampilan pada tab testing saat tombol browse dipilih

File yang telah dipilih akan ditampilkan pada panel images untuk memberikan

gambaran perbedaan antara input, proses dan hasil yang diperoleh. Tampilan setelah

file input dipilih ditunjukkan pada Gambar 4.8. Pada tahap ini tombol “testing” akan

diaktifkan.

Gambar 4.8. Tampilan setelah file input dipilih


72

Beberapa proses seperti pre-processing, segmentation, feature extraction dan

testing data input dilakukan secara bersamaan saat tombol “Testing” dipilih. Hasil

dari proses pre-processing ditampilkan pada panel Preprocessing dan hasil dari

feature extraction diletakkan pada panel Feature Extraction yang ditampilkan dalam

bentuk tabel seperti yang ditunjukkan pada Gambar 4.9. Setiap citra yang berada pada

panel Preprocessing memiliki fasilitas zoom yang berfungsi untuk memperbesar

tampilan citra.

Gambar 4.9. Tampilan hasil proses testing

4.3. Pengujian Sistem

Standar yang digunakan dalam mengevaluasi kinerja hasil pengujian sistem adalah

Gold Standart dimana penilaian didasari atas True Positive (TP), False Positive (FP),

True Negative (TN), dan False Negative (NF). True Positive merupakan keadaaan

dimana desired output dan actual output adalah kanker.False Positive (FP) merupakan

keadaan dimana desired output normal tetapiactual output merupakan kanker. True

negative merupakan keadaan dimana desired ouput dan actual output merupakan

normal. Kemudian,false negative merupakan keadaan dimana desired output adalah


73

kanker sementara actual output normal. Ukuran kinerja hasil pengujian dapat dilihat

pada tabel 4.2.

Tabel 4.2. Ukuran kinerja hasil pengujian (Kadah, 2012)

Pengujian dilakukan dengan menggunakan dataset yang terdiri dari 8 data

pasien yaitu 4 pasien dengan paru-paru normal dan 4 pasien dengan kanker paru-paru.

Sementara untuk proses pelatihan data digunakan data 25 pasien penderita kanker

paru dan 21 pasien dengan paru-paru normal.Rangkuman data pengujian untuk ke-8

pasien dapat dilihat pada Tabel 4.2.

No Indeks Keterangan Formula

1 Sensitivity (TP rate) Kemampuan mengidentifikasi

penyakit

2 Specificity (TN rate)

Kemampuan untuk

mengidentifikasi ketiadaan

penyakit

3 Positive Predictive

Value (PPV)

Keandalan dari hasil yang

positif

4 Negative Predictive

Value (NPV)

Keandalan dari hasil yang

negatif

5 Overall Accuracy Keandalan secara

keseluruhan

6 FN Rate Proporsi antara FN dan

semua yang terkena dampak

7 FP Rate Proporsi antara FP dan

semua yang terkena dampak

8 Positive Ratio

Peningkatan probabilitas

penyakit ketika hasilnya

positif

9 Negative Ratio

Penurunan probabilitas

penyakit ketika hasilnya

negatif


74

Tabel 4.3. Rangkuman data pengujian

No NAMA

FILE

ACTUAL

OUPUT

DESIRED

OUTPUT STATUS

CITRA

SEGMENTATION CLEAR TUMOR AREA

1 LC_(2) NORMAL KANKER FN


75

No NAMA

FILE

ACTUAL

OUPUT

DESIRED

OUTPUT STATUS

CITRA


2 LC_(19) KANKER KANKER TP


76

No NAMA

FILE

ACTUAL

OUPUT

DESIRED

OUTPUT STATUS

CITRA



No NAMA

FILE

ACTUAL

OUPUT

DESIRED

OUTPUT STATUS

CITRA



77


No NAMA

FILE

ACTUAL

OUPUT

DESIRED

OUTPUT STATUS

CITRA



78

5 MCUCX

R_0006_0

NORMAL NORMAL TN

No NAMA

FILE

ACTUAL

OUPUT

DESIRED

OUTPUT STATUS

CITRA



79

6 MCUCX

R_0031_0

KANKER NORMAL FP

No NAMA

FILE

ACTUAL

OUPUT

DESIRED

OUTPUT STATUS

CITRA



80

7 MCUCX

R_0091_0

NORMAL NORMAL TN

No NAMA

FILE

ACTUAL

OUPUT

DESIRED

OUTPUT STATUS

CITRA



81

8 MCUCX

R_0095_0

NORMAL NORMAL TN


82

Dari 8 data pasien terdapat masing-masing satu kesalahan identifikasi untuk

normal dan kanker. Pada data ke-1 didapatkan actual output normal sementara desired

output adalah kanker. Hal ini terjadi karena kesalahan pada proses segmentasi citra

dimana area ROI yang dihasilkan tidak mendapatlan area kanker secara keseluruhan

dan hanya berupa titik kecil sehingga pada proses ekstraksi fitur yang dihasilkan

memiliki kemiripan dengan fitur dari citra normal. Hal ini mengakibatkan saat

identifikasi dengan menggunakan identifikasi backpropagation hasilnya dianggap

normal. Sementara data ke-7 menghasilkan actual output kanker dengan desired

output normal. Hal ini juga terjadi karena kesalahan pada segmentasi objek kanker.

Objek normal dianggap sebagai kanker sehingga fitur yang dihasilkan memiliki

kemiripan dengan citra normal sehingga saat identifikasi dengan backpropagation

hasilnya kanker. Hasil perhitungan menggunakan Gold Standard untuk identifikasi

kanker paru-paru dapat dilihat pada Tabel 4.4.

Tabel 4.4. Ukuran kinerja hasil pengujian 8 pasien

No Index Jumlah Persentasi

1 True Positive (TP) 3

2 True Negative (TN) 3

3 False Positive (FP) 1

4 False Negatif (FN) 1

5 Sensitivity (TP Rate) 75%

6 Specificity (TN Rate) 75%

7 Positive Predictive value (PPV) 75%

8 Negative Predictive value (NPV) 75%

9 Overall accuracy 75%

10 FN Rate 25%

11 FP Rate 25%

12 Positive likelihood ratio 0

13 Negative likelihood ratio 0


BAB V

KESIMPULAN DAN SARAN

Pada bagian Bab ini akan membahas tentang kesimpulan dan saran dari metode yang

telah digunakan untuk identifikasi kanker paru-paru.

5.1 Kesimpulan

Kesimpulan yang dapat diambil berdasarkan hasil pengujian sistem Identifikasi

penyakit kanker paru-paru dengan menggunakan Bacpropagation Neural Network

adalah sebagai berikut :

1. Metode Backpropagation Neural Network mampu melakukan Identifikasi

penyakit kanker paru-paru melalui citra CXR dengan tingkat akurasi 75%,

sensitivity 75% dan specificity 75%.

2. Hidden Layer sangat mempengaruhi akurasi. Setelah melalui beberapa pengujian,

semakin kecil nilai hidden Layer maka semakin kecil pula tingkat akurasi yang

didapatkan. sebaliknya semakin besar nilai Hidden Layer maka semakin besar

tingkat akurasi yang didapatkan.

3. Kesalahan identifikasi dipengaruhi oleh fitur yang didapatkan pada hasil segmentasi

citra yang mirip antara dua kategori citra CXR.


5.2 Saran

Adapun saran untuk pengembangan penelitian berikutnya adalah sebagai berikut :

1. Menggunakan metode ekstraksi ciri yang lain seperti PCA (Principle

Component Analysis) sehingga nilai ciri dari citra yang akan diperoleh

menjadi lebih baik.

2. Menggunakan citra untuk data pelatihan yang lebih banyak sehingga ketika

data di uji, akan menghasilkan akurasi yang lebih tinggi.

3. Menggunakan metode neural network lainnya dengan menggunakan data

penelitian yang sama agar dapat membandingkannya dengan metode

backpropagation neural network

.


DAFTAR PUSTAKA

Centers for Disease Control and Prevention, 2010. Lung Cancer Statistics. Available

at:http://www.cdc.gov/cancer/lung/statistics/index.html. (Accesed on 29

April 2018).

Charles S. Dela Cruz, Lynn T.Tannoue, Richard A. Matthay 2011. Lung cancer;

Epidemiology, Etiology and Prevention. Clinic Chest Med.2011 Dec; 32(4)

Churg M. A., Myers L. J., et al, 2005. Etiology of Lung Cancer. Thurlbeck's

Pathology of the Lung. Published by Thieme Medical Publishers, Inc, 415 .

Diananda, Rama. 2009. Mengenal Seluk Beluk Kanker. Penerbit Kata

Hati:Yogyakarta.

Ellis, H., 2006. Clinical Anatomy Arevision and applied anatomy for clinical

students.11th ed. Blackwell publishing.

Febriani, A. 2014. Identifikasi Diabetic Retinopathy melalui Citra Retina

Menggunakan Modified k-Nearest Neighbor.

Gonzales, R.C. & Woods, R.E. 2008. Digital Image Processing. Prentice Hall : New

Jersey.

Haralick, R.M., Shanmugam, K. &Dinstein, I. 1973. Textural features for image

classification. IEEE Trans on Systems, Man and Cybernetics Vol.SMC-3, pp.

610 – 621.

Huq, S., 2010. Lung Cancer, Non -Small Cell. Available at:

http://www.emediciehealth/ [Accesed on 20 April 2017].

Khobragade, S., Tiwari.A, Pati. C.Y. & Narke, V.2016. Automatie Detection of Major

Lung Diseases Using Chest Radiographs and Classifieation by Feed-forward

Artifieial Neural Network. IEEE International Conference on Power

Electronics. Intelligent Control and Energy Systems (ICPEICES).

Marbun, J.T., Seniman, & Andayani, U. 2018. Classification of Stroke Disease Using

Convolutional Neural Network. Journal of Physics:Conf. Series 978.

Muchtar, M.A. et al. 2018. Identification Tibia and Fibula Bone Fracture Location

Using Scanline Algorithm. Journal of Physics:Conf. Series 978.


Patel, M.P., Shah, B.N., Shah, V. 2013. Image segmentation using K-mean clustering

for finding tumor in medical application. International Journal of Computer

Trends and Technology (IJCTT) vol 4(5): 1239-1242.

Perhimpunan Dokter Paru Indonesia, 2003. KankerParu :Pedoman Diagnosis &

Penatalaksanaan di Indonesia. Jakarta : PDPI.

Poornimadevi, CS. & Helen, S.C. 2016. Automatic Detection Of Pulmonary

Tuberculosis Using Image Processing Techniques. IEEE 798-802.

Pradeep, J., Srinivasan, E., &Himavathi, S. 2011. Diagonal Based Feature Extraction

for Handwritten Alphabets Recognition System Using Neural Network.

International Journal of Computer Science & Information Technology

(IJCSIT) 3(1): 27-38.

Pratapl, G.P. & Chauhan, R.P. 2016.Detection of Lung Cancer Cells using Image

Processing Techniques.1st IEEE International Conference.

Putra, D. 2010. Pengolahan Citra Digital. ANDI: Yogyakarta.

Rahmat, R.F., Wulandari, F.S., Faza, S., Muchtar, M.A., & Siregar, I. 2018. The

Morphological Classification of Normal and Abnormal Red Blood Cell Using

Self Organizing Map. Material Science and Engineering. Series 308.

Rahmi, A. 2017. klasifikasi pendarahan otak menggunakan Backpropagation Neural

Network. Skripsi. Universitas Sumatera Utara.

Solomon, C. & Breckon, T. 2011. Fundamental of Digital Image Processing. West

Sussex: Wiley.

Stoppler, M.C. 2010. Lung Cancer. Available from :http://www.emedicinehealth/

[Accesed on 20 April 2017]

Syahputra, M.F., Muchtar, M.A., Khairi, S.A., & Rahmat, R.F. 2015. Identification of

Osteoporosis by Evaluating Femur Radiograph Using Simple Evolving

Connectionist Systems (SECoS). Universitas Sumatera Utara.

Syahputra, M.F., Rahmad, R.F., amalia, C &Andayani, U. 2017. Hypertensive

retinopathy identification through retinal fundus image using

backpropagation neural network.Journal of Physics:Conf. Series 978.

Vincent J, History of Tobacco Smoking. In: Fink MP, Abraham E, Vincent J,

Kochanek, PM, eds. Textbook of Art and History. 5th ed. Philadelphia,

Saunders Elsevier; 2005: chap 147.


World Health Organization, 2013. Cancer. Available at:

http://www.who.int/mediacentre/factsheets/fs297/en/. [Accesed on 28 April

2017].

World Health Organization. Cancer. World Health Organization; 2015. Badan

Penelitian dan Pengembangan Kesehatan, 2008. Riset Kesehatan Dasar,

Laporan Nasional 2007. Departemen KesehatanRepublik Indonesia.


IDENTIFIKASI PENYAKIT KANKER PARU-PARU PADA CITRA …

Documents