Penerapan Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Mendiagnosis Tingkat Keganasan Kanker Payudara

PENERAPAN METODE JARINGAN SARAF TIRUAN
PROPAGASI BALIK UNTUK MENDIAGNOSIS
TINGKAT KEGANASAN KANKER PAYUDARA

RESTI GUSTIANINGSIH

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa skripsi berjudul Penerapan Metode
Jaringan Saraf Tiruan Propagasi Balik Untuk Mendiagnosis Tingkat Keganasan
Kanker Payudara adalah benar karya saya dengan arahan dari komisi pembimbing
dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun.
Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun
tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan
dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Febuari 2015
Resti Gustianingsih
NIM G64124056

ABSTRAK
RESTI GUSTIANINGSIH. Penerapan Metode Jaringan Saraf Tiruan Propagasi
Balik Untuk Mendiagnosis Tingkat Keganasan Kanker Payudara. Dibimbing oleh
MUHAMMAD ASYHAR AGMALARO.
Pencitraan medis mamografi sangat membantu dalam proses diagnosis
kanker payudara. Proses analisis citra mamografi yang dilakukan secara manual
membutuhkan keahlian, pengalaman, dan bersifat subjektif. Untuk itu dibutuhkan
metode berbasis komputer dalam membantu kinerja radiologis agar proses analisis
lebih cepat, bersifat objektif, dan lebih akurat dalam mendeteksi kanker payudara.
Penelitian ini mengklasifikasikan kanker jinak dan kanker ganas menggunakan
jaringan saraf tiruan propagasi balik (BpNN) dengan ekstrasi ciri Gray Level Coocurence Matrix (GLCM). Praproses citra mamografi menggunakan metode
Contrast Limited Adaptive Histogram Equalization (CLAHE) dan Otsu’s N
Segmentation. Objek kanker akan dikenali tingkat keganasannya dari sebaran
kalsifikasi pada payudara. Ekstraksi ciri akan dihitung dengan sudut 00, 450, 900,

dan 1350 dan jumlah neuron hidden layer yang dicobakan adalah 4 dan 8. Citra
menghasilkan rata-rata akurasi sebesar 63.33% dengan sudut 900 dan jumlah
neuron hidden layer sebanyak 4.
Kata kunci: kanker payudara, gray level co-occurrence matrix, propagasi balik

ABSTRACT
RESTI GUSTIANINGSIH. Backpropagation Neural Network Implementation for
Breast Cancer Malignancy Diagnostic. Supervised by MUHAMMAD ASYHAR
AGMALARO.
Medical imaging (Mammography) is very helpful in the breast cancer
diagnostic. Mammography image analysis which is done manually requires
expertise, experience, and subjective. A computer aided diagnostic system is
helping radiologists to more objective, quicker, and more aqqurate detection of
breast cancer. This research classifies benign and malignant breast cancer using
backpropagation neural network (BpNN) with backpropagation method and gray
level co-ocurence matrix (GLCM) feature extraction. Mammography image
preprocessing methods Contrast Limited Adaptive Histogram Equalization
(CLAHE) and Otsu’s N Segmentation. The object will be recognized cancer
malignancy from spread of calcification in the breast. Feature extraction will be
calculated at an angle of 00, 450, 900, dan 1350 and the number of hidden layer

neurons tested were 4 and 8. The result is giving an average accuracy of 63.33%
at angle of 90% and the number of hidden layer neurons is 4.
Keywords: breast cancer, gray level co-occurrence matrix, backpropagation

PENERAPAN METODE JARINGAN SARAF TIRUAN
PROPAGASI BALIK UNTUK MENDIAGNOSIS
TINGKAT KEGANASAN KANKER PAYUDARA

RESTI GUSTIANINGSIH

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR

2015

Penguji :
1. Dr Yeni Herdiyeni, SSi, MKom
2. Karlina Khiyarin Nisa, SKom, MT

Judul Skripsi : Penerapan Metode Jaringan Saraf Tiruan Propagasi Balik Untuk
Mendiagnosis Tingkat Keganasan Kanker Payudara
Nama
: Resti Gustianingsih
NIM
: G64124056

Disetujui oleh

Muhammad Asyhar Agmalaro, SSi, MKom
Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi, MKom
Ketua Departemen

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini bisa diselesaikan. Topik yang dipilih
dalam penelitian yang dilaksanakan sejak bulan Juni 2014 adalah pemrosesan
citra mendiagnosis keganasan kanker payudara. Penelitian ini berjudul Penerapan
Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Mendiagnosis Tingkat
Keganasan Kanker Payudara.
Terima kasih penulis ucapkan kepada Bapak Muhammad Asyhar Agmalaro,
SSi MKom selaku pembimbing yang telah memberi saran dan mengarahkan,
kepada Ibu Dr Yeni Herdiyeni, SSi MKom dan Ibu Karlina Khiyarin Nisa, SKom
MT selaku penguji. Ungkapan terima kasih juga penulis sampaikan kepada kedua
orang tua, adik-adik, suami Ardiansyah, dan anak tercinta Kaysan serta seluruh
keluarga atas do’a, dukungan, semangat, bantuan, dan kasih sayangnya. Penulis
juga mengucapkan terima kasih kepada teman seperjuangan bimbingan Bapak
Asyhar yaitu Eska, serta teman-teman Ilmu Komputer Alih Jenis angkatan 7 yang

tidak dapat penulis tulis satu per satu, yang secara langsung atau tidak langsung
telah membantu penulis dalam melakukan penelitian serta memberikan semangat
untuk menyelesaikan karya ilmiah ini.
Besar harapan penulis agar karya ilmiah ini dapat dimanfaatkan dan
dikembangkan dengan lebih baik lagi. Semoga karya ilmiah ini bermanfaat.

Bogor, Febuari 2015
Resti Gustianingsih

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

TINJAUAN PUSTAKA

3

Kanker Payudara

3

Jaringan Saraf Tiruan Propagasi Balik

4

METODE PENELITIAN
Tahap Penelitian

Perangkat Keras dan Perangkat Lunak
HASIL DAN PEMBAHASAN

7
7
14
14

Praproses Citra

14

Ekstraksi Ciri GLCM

15

Pelatihan dan Pengujian Model JST

16

SIMPULAN DAN SARAN

18

Simpulan

18

Saran

18

DAFTAR PUSTAKA

18

RIWAYAT HIDUP

20

DAFTAR TABEL
1
2
3
4

Parameter JST propagasi balik
Confusion Matrix
Hasil ekstraksi ciri salah satu citra kanker jinak
Akurasi rata-rata setiap neuron hidden layer dengan sudut 4 arah (%)

12
13
15
16

DAFTAR GAMBAR
1
2
3
4
5

6
7
8

9
10
11
12
13
14
15
16

Ilustrasi bentuk dasar benjolan dan batas tepi pada kanker payudara
Citra mamografi kanker payudara dengan mikrokalsifikasi
Arsitektur JST backpropagation
Metode penelitian
Citra mamografi kanker payudara, (a) kanker ganas dengan
mikrokalsifikasi, (b) kanker ganas dengan circumscribed, (c)
kanker ganas dengan speculated.
Ilustrasi CLAHE. (a) Citra asli. (b) Citra setelah dilakukan
peningkatan kontras dengan CLAHE.
Metode Contrast Limited Adaptive Histogram Equalization
Ilustrasi Segmentasi Otsu. (a) Citra asli. (b) Citra dengan jumlah
cluster n = 1. (c) Citra dengan jumlah cluster n = 2. (d) Citra
dengan jumlah cluster n = 3.
Matriks Ko-okurensi
Ilustrasi matriks ko-okurensi citra dengan level 8 keabuan dan hasil
GLCM pada jarak 1 arah 0°.
Grafik fungsi tangent-sigmoid dan logistic-sigmoid
Hasil penghilangan label citra 1024 x 1024
Hasil peningkatan kontras citra dengan CLAHE
Hasil segmentasi Otsu dengan n = 4
Hasil segmentasi yang mengakibatkan perubahan bentuk kanker.
(a) Letak indikasi kanker, (b) Kesalahan segmentasi tulang dada
dan jaringan payudarasebagai area kanker.

3
4
5
7

8
9
9

9
10
11
12
14
14
15
17
17

PENDAHULUAN
Latar Belakang
Kanker payudara merupakan salah satu penyakit mematikan yang ditakuti
wanita dan menjadi penyebab kematian terbanyak pada wanita di negara
berkembang (Mohanty et al 2011). Menurut data WHO dalam kurun waktu tahun
2008 sampai tahun 2012 jumlah kematian di dunia akibat kanker meningkat
cukup tajam. Pada tahun 2012 sebanyak 1.7 juta wanita didiagnosis mengidap
penyakit kanker ini (WHO 2013). Gejala awal yang kurang dikenali merupakan
faktor utama yang menyebabkan penanganan dini pada pengidap tidak mendapat
perhatian lebih. Akibatnya proses pengobatan lambat tertangani dan baru
terdeteksi setelah memasuki stadium akhir.
Pemanfaatan teknologi dalam dunia medis telah banyak dilakukan untuk
membantu proses diagnosis suatu penyakit. Salah satunya menggunakan
pencitraan medis atau sering dikenal dengan istilah radiologi. Teknik investigasi
yang paling umum digunakan oleh radiologis untuk melihat dan mendeteksi
kanker payudara adalah dengan pemeriksaan mamografi menggunakan sinar X.
Citra yang dihasilkan dari pemeriksaan mamografi disebut mammogram. Untuk
menganalisis adanya kanker, dokter atau radiologis masih melakukan secara
manual dengan melihat karakteristik dari citra mamogram. Hal ini membutuhkan
keahlian, pengalaman, dan bersifat subjektif. Dengan demikian dibutuhkan suatu
metode berbasis komputer yang dapat membantu kinerja radiologis agar proses
analisis mamografi menjadi lebih cepat, akurat, dan bersifat objektif.
Ada beberapa kelainan yang tampak pada citra mamografi dan dapat
digunakan sebagai indikator adanya kanker payudara, salah satunya adalah
keberadaan mikrokalsifikasi Rahbar et. al (1999). Mikrokalsifikasi adalah bintik
kecil kalsium dalam jaringan payudara, yang terlihat seperti bintik-bintik putih
kecil di film. Mikrokalsifikasi biasanya muncul sendiri atau berkelompok serta
bentuk dan letaknya dapat membantu ahli radiologi mendeteksi kemungkinan
besar hadirnya kanker. Mikrokalsifikasi pada citra mamografi umumnya sulit
dideteksi karena jaringan pada payudara, variasi bentuk, dan kecerahan citra.
Nampira (2012) melakukan penelitian deteksi mikrokalsifikasi pada citra
mammogram dengan metode Gray Lavel Co-occurrence Matrix (GLCM) dan
fitur ciri yang digunakan adalah homogenitas dan korelasi. Praproses segmentasi
citra menggunakan Otsu Thresholding, deteksi tepi Canny, dan operasi morfologi
dilasi pada area yang diduga terdapat mikrokalsifikasi. Klasifikasi yang digunakan
adalah Support Vector Machine (SVM) dengan hasil akurasi mencapai 80% untuk
citra dengan indikasi abnormal dan 86% untuk citra normal.
Beberapa peneliti telah banyak melakukan penelitian untuk membedakan
kelainan pada payudara dengan citra mamogram menggunakan jaringan saraf
tiruan (JST) propagasi balik sehingga metode tersebut cukup populer. Klasifikasi
menggunakan JST propagasi balik umumnya memperoleh hasil akurasi yang
tinggi (Listia dan Harjoko 2014). Listia dan Harjoko (2014) telah melakukan
penelitian menggunakan citra mamografi untuk mengklasifikasi tumor menjadi
tiga kelas, yaitu tumor jinak, ganas, dan normal. Teknik pengolahan citra yang
digunakan sebelum proses klasifikasi adalah peningkatan mutu citra dengan

2
Amoeba Mean Filter untuk menghilangkan noise. Metode klasifikasi yang
digunakan dalam penelitian tersebut adalah jaringan saraf tiruan propagasi balik
dan GLCM sebagai ekstraksi ciri. Rata-rata akurasi yang didapat sebesar 81,1%
dengan GLCM 4 arah dan jarak spasial (d) sebesar 1. Fitur ciri yang digunakan
adalah korelasi, homogenitas, entropi, kontras dan energi serta menggunakan 19
node tersembunyi.
Penelitian ini akan mendiagnosis tingkat keganasan kanker payudara dari
keberadaan mikrokalsifikasi pada citra mamografi dengan metode jaringan saraf
tiruan propagasi balik (backpropagation) dan gray-level co-occurrence matrix
(GLCM) sebagai ekstraksi ciri. Fitur ciri yang digunakan adalah korelasi, entropi,
kontras, dan energi. Kemudian praproses citra dilakukan dengan peningkatan
kontras menggunakan algoritme Contrast Limited Adaptive Histogram
Equalization (CLAHE). Tingkat keganasan kanker akan dibagi menjadi dua kelas,
yaitu kanker jinak (benign), kanker ganas (malignant).

Perumusan Masalah
Masalah yang dapat dirumuskan dalam penelitian ini adalah bagaimana cara
mengklasifikasikan tingkat keganasan kanker berdasarkan ciri tekstur citra
mamografi yang terdapat mikrokalsifikasi dan tidak terdapat mikrokalsifikasi.

Tujuan Penelitian
Tujuan penelitian ini adalah memodelkan algoritme Gray Level Cooccurrence Matrix dan teknik jaringan saraf tiruan propagasi balik pada citra
mamografi untuk mendiagnosis tingkat keganasan kanker.

Manfaat Penelitian
Hasil pemodelan jaringan saraf tiruan propagasi balik diharapkan dapat
membantu mempercepat proses diagnosis tingkat keganasan kanker payudara.

Ruang Lingkup Penelitian
Data yang digunakan pada penelitian ini adalah citra mamografi kanker
payudara yang diambil dari Mammography Image Analysis Society (MIAS).
Tingkat keganasan kanker hanya dibatasi pada jenis kanker jinak dan ganas.
Teknik pengolahan citra pada tahap praproses menggunakan Contrast Limited
Adaptive Histogram Equalization (CLAHE) dan Otsu Thresholding untuk
segmentasi citra. Teknik ekstraksi ciri yang digunakan adalah gray-level cooccurrence matrix (GLCM). Kemudian citra akan diklasifikasikan menggunakan
model jaringan saraf tiruan propagasi balik.

3

TINJAUAN PUSTAKA
Kanker Payudara
Pertumbuhan sel yang terjadi terus menerus secara tidak normal dan
membentuk benjolan disebut tumor (Nurhayati et. al 2010). Perubahan sel-sel
menjadi sel kanker terjadi saat tumor menjadi ganas dan menyebar ke sekitar
jaringan maupun organ. Kanker payudara merupakan penyakit yang menyerang
kelenjar air susu, saluran kelenjar, dan jaringan penunjang payudara. Sel kanker
payudara dapat menyebar melalui aliran darah ke seluruh tubuh kemudian
berkembang menjadi tumor ganas atau kanker. Mamografi adalah salah satu cara
untuk mendeteksi keberadaan kanker dalam pemeriksaan radiologi. Ketepatan
mamografi tergantung pada beberapa faktor, diantaranya adalah teknik
pengambilan dan kualitas citra yang dihasilkan. Penelitian yang dilakukan oleh
Liu (1998) menyatakan bahwa ketidaknormalan struktur dalam citra mamografi
dapat dilihat dari ada tidaknya mikrokalsifikasi, batas benjolan, dan sebaran
jaringan.
Menurut Malagelada (2007) benjolan dapat dibedakan dalam 5 bentuk dasar
yaitu oval, round, lobulated, irregular dan architectural distortion. Sedangkan
batas tepi dapat dibedakan juga dalam 5 jenis, yaitu:
1. Circumscribed dapat menentukan dengan jelas transisi yang tajam antara luka
dan sekitar jaringan
2. Obscured sebagian tertutup oleh jaringan normal
3. Micro-lobulated berbentuk lingkaran yang berombak sepanjang tepi
4. Ill-defined bersifat menyebar
5. Spiculated berupa penyebaran garis tipis.
Gambar 1 memperlihatkan ilustrasi bentuk dasar benjolan dan bentuk batas tepi.

Gambar 1 Ilustrasi bentuk dasar benjolan dan batas tepi pada kanker payudara
Pada kelainan jinak tanda yang akan muncul pada citra mamografi antara lain
batas tepi tegas dan bentuk tumor oval atau round. Sedangkan tanda primer
kelainan ganas yang tampak pada mamografi antara lain batas tepi bersifat
menyebar, tidak teratur atau berupa penyebaran garis tipis dan adanya
mikrokalsifikasi yang spesifik. Gambar 2 adalah contoh citra mamografi yang
terindikasi adanya mikrokalsifikasi.

4

Gambar 2 Citra mamografi kanker payudara dengan mikrokalsifikasi

Jaringan Saraf Tiruan Propagasi Balik
Jaringan saraf tiruan merupakan suatu teknik mesin pembelajaran berbasis
penyimpanan informasi dan daya ingat yang diadaptasi kerja dari jaringan saraf
manusia. Konsepnya bila terdapat suatu sinyal tertentu melalui sinapsis secara
berulang, maka sinapsis tersebut akan lebih mampu untuk menghantarkan sinyal
pada kesempatan berikutnya. Hal ini yang mendasari adanya proses pembelajaran
(learning). Jaringan saraf tiruan dikembangkan sebagai suatu generelasasi model
matematis dari pemahaman manusia yang berbasis pada asumsi berikut (Fausset
1994):
1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron.
2. Sinyal mengalir diantara neuron melalui penghubung-penghubung.
3. Setiap penghubung memiliki bobot yang akan mempengaruhi sinyal.
4. Setiap neuron menerapkan fungsi aktivasi yang akan menentukan sinyal
keluaran (output) terhadap sinyal masukan (input) terbobot yang diberikan.
5. Setiap node menerima satu set input yang dikalikan dengan bobot (weight)
yang dianalogikan sebagai kuat lemahnya sinapsis dalam sel biologi.
Algoritme propagasi balik merupakan salah satu teknik pelatihan pada
jaringan saraf tiruan (JST) yang terdiri atas dua langkah, yaitu perambatan maju
dan perambatan mundur. Kedua langkah tersebut dilakukan secara iteratif dengan
tujuan merubah nilai bobot dan nilai bias untuk mengurangi perbedaan antara
output layer dengan target output. Algoritma ini sangat baik dalam menangani
masalah pengenalan pola-pola kompleks dan biasanya digunakan oleh jaringan
multilayer. Secara umum arsitektur jaringan saraf tiruan propagasi balik
diperlihatkan pada Gambar 3.

5
1

1

v01
v0p v0k
v11
v1k

X1

w0n w0j

Z1

v1p

v21

v31
v3p

Input layer

Y1

w2j

Zk

v2k

Xm

w11
w1j
w1n

w21
v2k

Xi

w01

Yj

w2n

w31

v3k

Zp
Hidden layer

w3j

Yn

w3n

Output layer

Gambar 3 Arsitektur JST backpropagation
1.
2.
3.

4.

Berikut adalah algoritme pelatihan jaringan saraf tiruan propagasi balik:
Inisialisasi nilai awal bobot-bobot, angka pembelajaran (  ), toleransi galat
atau error, dan set maksimal epoch.
Setiap unit input  i , i  1,, n mengirimkan sinyal input ke semua unit pada
layer berikutnya (hidden layer)
Setiap unit hidden j, j  1,, p sinyal output lapisan hidden dihitung dengan
fungsi aktivasi terhadap penjumlahan sinyal-sinyal input bebobot Xi dengan
persamaan
n


 j  f  v0 j    i vij 
i 1


(1)
kemudian dikirim ke semua unit pada lapisan berikutnya.
Setiap unit output k , k  1,, m dihitung sinyal outputnya dengan
menerapkan fungsi aktivasi terhadap penjumlahan sinyal-sinyal input berbobot
Zi dengan persamaan
p


k  f  w0 k    j w jk 
i 1


(2)

5. Setiap unit output k , k  1,, m menerima pola target Tk yang bersesuaian
dengan pola input dan dihitung informasi kesalahan lapisan output dengan
persamaan
p


 k  k  k  f '  w0k    j w jk 
i 1


(3)
Kemudian dihitung koreksi nilai bobot yang akan digunakan untuk
memperbaharui nilai bobot wjk menggunakan persamaan
w jk    k  j
(4)
Hitung koreksi nilai bias yang kemudian akan digunakan untuk memperbaharui
nilai w0k dengan persamaan

6

w0k    k

(5)

kemudian nilai di kirim ke unit pada lapisan sebelumnya.
6. Untuk setiap unit hidden j, j  1,, p hitung nilai delta masukan yang
berasal dari unit lapisan berikutnya
n


 j     k w jk  f '  v0 j   X i vij 
i 1

 
 k 1
(6)
Hitung koreksi nilai bobot yang kemudian digunakan untuk memperbaharui
nilai
vij    j X i
(7)
dan hitung nilai koreksi bias yang digunakan untuk memperbaharui nilai
v0 j    j
(8)
7. Perbaharui nilai bobot dan bias dengan persamaan
w jk (new )  w jk (old)  w jk dan vij (new )  vij (old)  vij
(9)
8. Jika kondisi berhenti dan nilai epoch terpenuhi, maka iterasi berhenti.

7

METODE PENELITIAN
Tahap Penelitian
Penelitian ini akan mengklasifikasi tingkat keganasan kanker payudara
dengan memodelkan teknik jaringan saraf tiruan propagasi balik berdasarkan
tekstur dari citra mamografi. Untuk menentukan tingkat keganasan kanker perlu
diketahui tekstur dari citra mamografi yang diamati. Citra akan akan dihitung
matriks kookurensinya untuk mendapatkan nilai ciri GLCM. Fitur ciri yang
diperoleh akan digunakan sebagai input dalam pelatihan JST. Hasil pelatihan
kemudian akan menentukan tingkat keganasan kanker dan membuktikan
kemampuan model JST dalam mengklasifikasikan citra. Tingkat keganasan
kanker dikelompokan menjadi dua kategori, yaitu kanker jinak dan kanker ganas.
Tahap penelitian yang dilakukan dapat dilihat pada Gambar 4.
Mulai

Data Citra

Praproses

Ekstraksi Ciri

Data Latih

Pelatihan JST

Data Uji

Model JST

Pengujian

Evaluasi

Selesai

Gambar 4 Metode penelitian
Data Citra
Data yang digunakan adalah citra mamografi payudara yang diperoleh dari
basis data Mammographic Image Analysis Society (MIAS) dan dapat diunduh di
http://peipa.essex.ac.uk/info/mias.html. Citra mamografi berupa payudara wanita

8
yang diambil dari posisi kanan atau kiri dengan dimensi 1024 x 1024 piksel dan
disimpan dalam format PGM (Portable Gray Map). Pengambilan citra dilakukan
hanya pada payudara yang terindikasi adanya kanker jinak dan ganas. Dalam
penelitian ini citra ya ng digunakan berjumlah 60 yang terdiri dari 30 citra kanker
jinak dan 30 citra kanker ganas dengan kelainan berupa mikrokalsifikasi,
architectural distortion, circumscribed, ill-defined, dan spiculated. Contoh citra
mamografi yang akan diamati dapat dilihat pada Gambar 5.

(a)
(b)
(c)
Gambar 5 Citra mamografi kanker payudara, (a) kanker ganas dengan
mikrokalsifikasi, (b) kanker ganas dengan circumscribed, (c)
kanker ganas dengan speculated.
Praproses
Tahap ini merupakan tahap awal untuk mempersiapkan citra sebelum
dilakukan proses ekstraksi ciri. Pada tahap ini dilakukan flip horizontal,
penghilangan label, meningkatkan kontras citra, dan segmentasi. Refleksi secara
horizontal dilakukan untuk menyeragamkan arah pandang citra dengan posisi
payudara menghadap kiri. Penghilangan label dilakukan secara manual melalui
aplikasi pengolah citra. Tujuannya agar label yang ada pada citra tidak ikut
terambil sebagai ciri karena akan mempengaruhi hasil ekstraksi ciri. Setelah
penghilangan label dilakukan peningkatkan kontras citra dengan algoritme
Contrast Limited Adaptive Histogram Equaliztion (CLAHE) yang bertujuan untuk
memperbaiki karakteristik citra agar citra kanker semakin terlihat tegas.
CLAHE adalah teknik peningkatan mutu citra dengan cara meningkatkan
kontras citra dan merupakan pengembangan dari Adaptive Histogram
Equalization (AHE). CLAHE mengurangi masalah noise yang timbul pada AHE
dengan memberikan batasan nilai kontras pada area yang homogen (Gonzales et.
al 2009). CLAHE tidak hanya meningkatkan kontras citra tetapi juga
menghasilkan ekualisasi atau pemerataan histogram yang lebih baik. Konsep
CLAHE adalah memotong histogram pada bagian yang memiliki frekuensi
intensitas tertinggi dengan ketinggian tertentu (clip limit), kemudian frekuensi
intensitas tersebut disebar secara seragam ke seluruh nilai intensitas yang ada
dalam rentang (Gambar 6). Metode CLAHE akan menghasilkan kontras citra yang
lebih baik. Gambar 7 merupakan ilustrasi citra yang telah dilakukan peningkatan
kontras dengan CLAHE.

9

Gambar 7 Metode Contrast Limited Adaptive Histogram Equalization

(a)
(b)
Gambar 6 Ilustrasi CLAHE. (a) Citra asli. (b) Citra setelah dilakukan
peningkatan kontras dengan CLAHE.
Tahap praproses yang terakhir adalah segmentasi citra. Segmentasi
bertujuan untuk memisahkan area yang diduga sebagai kanker. Teknik segmentasi
yang digunakan adalah Otsu’s N Thresholding. Segmentasi Otsu adalah metode
thresholding global (menyeluruh) yang sangat optimum untuk citra keabuan (Otsu
1979). Otsu’s N Thresholding memecahkan masalah keragaman atau variasi antar
citra dengan menggunakan nilai threshold yang berbeda-beda setiap citra
tergantung dari tingkat keabuan citra tersebut. Karena jika setiap citra
menggunakan nilai threshold yang sama, maka segmentasi yang dihasilkan
kurang baik. Konsep segmentasi Otsu adalah membagi suatu citra ke dalam
beberapa cluster yang telah ditentukan. Kemudian dari beberapa cluster tersebut
akan didapatkan Region Of Interest (ROI) dari suatu citra. Gambar 7
menunjukkan ilustrasi citra hasil segmentasi Otsu.

(a)
(b)
(c)
(d)
Gambar 8 Ilustrasi Segmentasi Otsu. (a) Citra asli. (b) Citra dengan jumlah
cluster n = 1. (c) Citra dengan jumlah cluster n = 2. (d) Citra dengan
jumlah cluster n = 3.

Ekstraksi Ciri
Ekstraksi ciri adalah proses untuk mendapatkan informasi penting dari suatu
citra. Ekstraksi ciri yang digunakan dalam penelitian ini adalah metode Gray level
co-occurrence matrix (GLCM). GLCM atau matriks ko-okurensi aras keabuan

10
adalah salah satu metode statistik yang dapat digunakan untuk analisis tekstur.
Matriks ko-okurensi merupakan matriks yang menggambarkan hubungan
ketetanggaan antar piksel dalam suatu citra dengan arah dan jarak tertentu. Suatu
piksel bertetangga yang memiliki jarak diantara keduanya dapat terletak di
berbagai arah yang berlainan baik horizontal, vertikal, maupun diagonal (Gambar
9). Misal P0 adalah matriks ko-okurensi antara dua piksel bertetangga dengan arah
00 horizontal ke kanan. Kemudian untuk P45, P90, dan P135 masing-masing dapat
dinyatakan sebagai matriks kookurensi dengan arah 450 atau diagonal ke kanan,
900 atau vertikal ke atas, dan 1350 atau diagonal ke kiri.
900

0

135

450

(i-1, j-1)

(i, j-1)

(i+1, j-1)

(i-1, j)

(i, j)

(i+1, j)

0

(i-1, j+1) (i, j+1) (i+1, j-+)

Gambar 9 Matriks Ko-okurensi
Elemen matriks ko-okurensi dapat digunakan untuk menghitung ukuran
komponen tekstur citra. Menurut Haralick et. al (1973) dalam matriks ko-okurensi
terdapat 14 fitur yang dapat diperoleh dari suatu citra. Namun Listia dan Harjoko
(2014) menggunakan 5 fitur ciri sebagai pembeda antara citra mamografi kelas
tertentu dengan kelas lainnya. Kelima fitur tersebut adalah angular second
moment (ASM) atau energy, contrast, correlation, entropy, dan inverse difference
moment atau homogeneity.
Dalam penelitian ini fitur ciri yang digunakan hanya 4, antara lain:
1. Angular second moment (ASM) atau energy adalah ukuran konsentrasi
pasangan matriks keabuan. ASM didapatkan dengan menjumlahkan nilai pangkat
dari setiap elemen dalam GLCM.
(10)
�( , ) 2
1 =
2. Contrast adalah ukuran sebaran gelap dan terang atau variasi derajat keabuan
dari suatu citra. Jika kontras bernilai 0, maka sebaran gelap dan terang suatu
citra akan semakin mirip.
2

=

� −1
�=0

�2

�
=1 − =�

�
�(
=1

2

, )

(11)

3. Correlation adalah ukuran keterkaitan antara suatu piksel dengan piksel
tetangganya. Jika correlation menunjukkan nilai negatif, maka antara piksel
satu dengan piksel lainnya tidak saling terkait.

11
3

=

� , −� �

� �

(12)

dengan
µ x: nilai rata-rata elemen kolom pada matriks �( , )
µ y: nilai rata-rata elemen baris pada matriks �( , )
�x: nilai standar deviasi elemen kolom pada matriks �( , )
�y: nilai standar deviasi elemen baris pada matriks �( , )

4. Entropy adalah ukuran keberagaman instensitas piksel suatu citra. Semakin
besar nilai entropy, maka semakin beragam pula intensitas piksel suatu citra.
�( , ) log(� , )
(13)
4 =

Fitur ciri inverse difference moment tidak digunakan karena pada tahap
praproses citra telah dilakukan peningkatan kontras. Batas terang gelap semakin
jelas dan antar piksel dalam citra tidak lagi homogen sehingga fitur tersebut tidak
dapat digunakan sebagai ciri.
Masing-masing citra diekstraksi dengan arah 00, 450, 900, 1350 dan jarak spasial
sebesar 1. Hasil dari ekstraksi ciri GLCM adalah matriks ko-okurensi dengan
level 8 intensitas piksel (Gambar 10). Kemudian matriks ini dihitung sedemikian
untuk mendapatkan fitur ciri yang merepresentasikan tekstur dari citra yang
diamati. Setelah nilai keempat fitur ciri dihasilkan, nilai-nilai tersebut digunakan
sebagai data masukan pada proses jaringan saraf tiruan agar dikenali pola
inputannya dan dapat dilakukan indentifikasi tingkat keganasan kankernya.

Gambar 10 Ilustrasi matriks ko-okurensi citra dengan level 8 keabuan
dan hasil GLCM pada jarak 1 arah 0°.
Pelatihan JST
Matriks citra hasil ekstrasi ciri pada tahap ini dibagi menjadi 2 bagian, yaitu
data latih dan data uji. Proses pembagian data untuk validasi ini menggunakan
metode k-fold cross validation. K-fold cross validation adalah salah satu teknik
menilai keakuratan sebuah model dengan membagi dataset menjadi sejumlah
partisi secara acak atau disebut Fold (Kohavi 1995). Misal sebuah dataset P dibagi
ke dalam sejumlah k partisi (Fold) P1, P2, …, Pk. Setelah dataset P terbagi
selanjutnya dilakukan pengujian model terhadap data uji dalam beberapa kali
eksperimen. Masing-masing k partisi eksperimen terbagi atas sejumlah data latih
dan data uji.

12
Algoritme jaringan saraf tiruan yang digunakan pada tahap klasifikasi
adalah propagasi balik. Proses pelatihan dilakukan beberapa kali sampai
menemukan galat terkecil. Tabel 1 memaparkan parameter arsitektur JST yang
akan digunakan pada proses pelatihan.
Tabel 1 Parameter JST propagasi balik
Karakteristik
Arsitektur
Neuron input
Neuron Hidden layer
Neuron output
Fungsi aktivasi
Angka pembelajaran (  )

Spesifikasi
1 hidden layer
4
4 dan 8
3
tansig dan logsig
10-3

Toleransi galat

10

Maksimum epoch

100

-1

Arsitektur JST yang digunakan adalah 1 hidden layer dengan jumlah neuron
hidden layer yang akan dicobakan adalah 4 dan 8. Selain itu 4 buah neuron input
bernilai bobot masing-masing fitur ciri dan 2 buah neuron ouput bernilai bobot
akhir yang telah diperbaharui selama proses iterasi.
Fungsi aktivasi adalah fungsi yang menentukan level aktivasi, yaitu keadaan
internal sebuah neuron dalam jaringan. Fungsi aktivasi merupakan fungsi
matematis yang digunakan untuk membatasi dan menentukan jangkauan output
suatu neuron. Pada jaringan saraf tiruan propagasi balik biasanya fungsi aktivasi
yang digunakan adalah fungsi tangent-sigmoid atau tansig dan logistic-sigmoid
atau logsig (Fausset 1994). Bentuk grafik untuk masing-masing fungsi dapat
dilihat pada Gambar 11.

Gambar 11 Grafik fungsi tangent-sigmoid dan logistic-sigmoid
Fungsi tangent-sigmoid nilai outputnya memiliki rentang [-1,1], berikut adalah
persamaannya
1  exp( 2 x)
f ( x) 
(14)
1  exp( 2 x)
dengan turunannya
f ' ( x)  [1  f ( x)][1  f ( x)]
(15)

13
Sedangkan fungsi logistic-sigmoid nilai outputnya memiliki rentang [0,1], berikut
adalah persamaannya
1
f ( x) 
1  exp(  x)
(16)
dengan turunannya

f ' ( x)  f ( x)[1  f ( x)]

(17)

Toleransi galat adalah nilai kesalalan (error) dalam proses klasifikasi citra
yang dapat ditoleransi oleh model JST. Sedangkan maksimum epoch adalah batas
maksimal iterasi yang dilakukan untuk memperbaharui bobot.

Pengujian
Tahap ini bertujuan untuk melakukan proses pengujian data uji terhadap
model arsitektur yang dihasilkan saat pelatihan. Pengujian akan menghasilkan
kelas prediksi yang kemudian digunakan untuk evaluasi kinerja jaringan. Proses
analisis dilakukan dengan pengamatan terhadap parameter JST yang digunakan.
Hasil pengujian dimasukkan ke dalam bentuk confusion matrix untuk
membandingkan kelas aktual dari dari data uji dengan kelas hasil prediksi. Tabel
2 menunjukkan confusion matrix yang akan digunakan untuk pengujian.
Tabel 2 Confusion Matrix
Kelas Aktual
Kanker Jinak
Kanker Ganas

Kelas Prediksi
Kanker Ganas
Kanker Jinak
FN
TP
TN
FP

TP, FN, FP, dan TN didefinisikan sebagai berikut.
TP (True Positive) : Citra kanker jinak yang diprediksi sebagai kanker jinak.
FN (False Negative) : Citra kanker jinak yang diprediksi sebagai kanker ganas.
FP (False Positive) : Citra kanker ganas yang diprediksi sebagai kanker jinak.
TN (True Negative) : Citra kanker ganas yang diprediksi sebagai kanker ganas.
Evaluasi
Tahap selanjutnya adalah evaluasi kinerja klasifikasi. Agar dapat dengan
mudah dipahami dan dianalisis hasil akurasi dibuat dalam bentuk grafik. Evaluasi
dilakukan untuk mendapatkan hasil akurasi model klasifikasi. Untuk menghitung
akurasi klasifikasi dilakukan dengan menggunakan persamaan (Manning et. al
2009)
�� + ��
� � � =
× 100%
�� + �� + �� + ��

14
Perangkat Keras dan Perangkat Lunak
Perangkat lunak yang digunakan dalam penelitian ini antara lain sistem
operasi Windows® 7 Ultimate, Ms. Office Word 2007, Ms. Office Excel 2007,
Matlab R2008b, GIMP 2.8.10. Sedangkan untuk perangkat keras yang digunakan
adalah AMD E-450 APU processor, Radeon HD Graphics 1.65 GHz, memori
2GB.

HASIL DAN PEMBAHASAN
Praproses Citra
Praproses bertujuan untuk memperbaiki kualitas citra agar didapatkan ciri
yang baik dari citra tersebut. Sebelum label pada citra dihilangkan semua citra
dilakukan flip horizontal untuk menyeragamkan posisi citra. Kemudian label citra
dihilangkan secara manualmenggunakan aplikasi pengolah citra. Hasil
penghilangan label dapat dilihat pada Gambar 12.

Gambar 12 Hasil penghilangan label citra 1024 x 1024
Setelah proses flipping dan penghilangan label dilakukan peningkatan
kontras dengan algoritme CLAHE untuk memperbaiki karakteristik citra dan
menghilangkan noise. Warna hitam dan putih antara objek kanker dan bukan
objek semakin dipertegas perbedaannya agar mikrokalsifikasi dan sebaran
jaringan semakin terlihat. Gambar 13 menunjukkan hasil peningkatan kontras dari
citra asli.

Gambar 13 Hasil peningkatan kontras citra dengan CLAHE

15
Langkah selanjutnya adalah memisahkan antara objek kanker dan bukan
objek kanker menggunakan segmentasi Otsu dengan n = 4 (Nampira 2012). Citra
dibagi ke dalam 4 cluster warna dan warna putih umumnya adalah area yang
diduga sebagai kanker. Setelah Region of Interest (ROI) didapatkan, area yang
bukan kanker dihitamkan dan area putih dikembalikan ke warna semula saat
sebelum dilakukan segmentasi. Area kanker tersebut yang akan diekstraksi ciri.
Gambar 14 menunjukkan hasil dari segmentasi Otsu.

Gambar 14 Hasil segmentasi Otsu dengan n = 4

Ekstraksi Ciri GLCM
Tahap ekstraksi ciri bertujuan untuk mendapatkan informasi penting dari
citra mamografi. GLCM menghasilkan matriks ko-okurensi level 8 intensitas
piksel yang didapat dengan menghitung jumlah kemunculan piksel dalam suatu
citra dengan jarak ketetanggaan bernilai 1 dan sudut 00, 450, 900, 1350. Matriks
ko-okurensi 8 x 8 tersebut selanjutnya dimasukkan ke dalam formula untuk
mendapatkan 4 fitur ciri yang merepresentasikan tekstur dari citra mamografi
yang diamati. Hasil ekstraksi ciri membentuk matriks dengan dimensi 60 x 4, nilai
60 menunjukkan jumlah citra dan 4 menunjukkan keempat fitur ciri dari masingmasing citra. Keempat nilai fitur ciri yang dihasilkan dijadikan input untuk
pelatihan model JST. Tabel 3 adalah salah satu hasil ekstraksi ciri citra mamografi
dengan GLCM.
Tabel 3 Hasil ekstraksi ciri salah satu citra kanker jinak
Sudut
( 0)
00
450
900
1350

Angular
Second
Moment
0.842709
0.965157
0.917603
1.307592

Contrast

Correlation

Entropy

0.88259
0.865857
0.8726
0.818244

0.678555
0.673186
0.674089
0.660294

0.79435
0.816161
0.807015
0.862393

16
Pelatihan dan Pengujian Model JST
Citra yang berjumlah 60 dengan masing-masing 30 citra kanker jinak dan 30
citra kanker ganas dibagi ke dalam data latih dan data uji. Proses pembagian data
menggunakan metode k-fold cross validation dengan k = 5. Artinya terdapat 5
partisi dan setiap partisi dari 60 citra tersebut 12 citra menjadi data uji dan sisanya
dijadikan sebagai data latih. Fold 1 menggunakan 48 data latih yang terdiri dari
partisi P1, P2, P3, dan P4, sedangkan partisi ke 5 yang terdiri dari 12 citra
dijadikan sebagai data uji. Percobaan ini terus dilakukan hingga setiap partisi
pernah dijadikan sebagai data uji.
Arsitektur jaringan yang dikembangkan selama proses pelatihan
menggunakan parameter-parameter JST yang telah ditentukan sebelumnya.
Jumlah neuron hidden layer yang dicobakan adalah 4 dan 8. Proses pelatihan
dilakukan beberapa kali sampai menemukan galat terkecil. Tujuannya untuk
mendapatkan model JST yang baik. Setiap arsitektur dicoba sebanyak 5 kali
sehingga menghasilkan 10 percobaan (5 ulangan dikali 2 arsitektur JST) untuk
setiap sudut matriks kookurensi. Setiap percobaan dihitung akurasinya dengan
menggunakan confusion matrix yang terdiri dari jumlah baris data uji yang
diprediksi benar atau tidak oleh model klasifikasi. Kemudian hasilnya akan
diambil akurasi terbaik dari setiap neuron.
Berdasarkan hasil percobaan tidak semua citra kanker dapat terklasifikasi
dengan benar sesuai dengan jenis tingkatan kanker yang ada. Tabel 4 adalah hasil
akurasi menggunakan 4 dan 8 hidden neuron. Akurasi terbaik diperoleh pada
pembagian data Fold ke 1 dengan sudut 00 dan jumlah neuron 4 sebesar 92%
dengan rata-rata 60%. Sedangkan rata-rata akurasi terbesar diperoleh pada sudut
900 dan jumlah neuron 4 yaitu sebesar 63.33%.
Tabel 4 Akurasi rata-rata setiap neuron hidden layer dengan sudut 4 arah (%)
Sudut
00
450
900
1350

Jumlah
neuron
4
8
4
8
4
8
4
8

1
92
67
58
58
42
58
58
50

2
50
50
50
58
67
67
50
50

K
3
67
50
67
50
58
42
50
75

4
33
50
58
50
58
58
58
67

5
58
50
58
58
92
83
50
50

Ratarata
60
53.33
58.33
55
63.33
61.67
53.33
58.33

Berdasarkan hasil analisis tabel di atas dapat dikatakan bahwa hasil akurasi
rata-rata yang sangat kecil disebabkan oleh banyak faktor. Faktor pertama adalah
algoritme segmentasi tidak dapat menangkap bentuk benjolan dan batas tepi
dengan baik. Bentuk kanker yang seharusnya bulat atau round berubah menjadi
tidak beraturan setelah dilakukan segmentasi. Sehingga citra yang seharusnya
masuk dalam kelas kanker jinak akan salah klasifikasi ke dalam kanker ganas.

17
Gambar 15 menunjukkan hasil segmentasi yang mengakibatkan perubahan bentuk
kanker.

Gambar 15

Hasil segmentasi yang mengakibatkan perubahan bentuk
kanker.

Kemudian faktor yang kedua adalah kesalahan segmentasi yang terjadi
apabila citra yang diamati memiliki tulang dada yang ikut ter-scan dan jaringan
payudara yang ikut timbul akibat peningkatan kontras. Saat dilakukan segmentasi
tulang dada dan jaringan juga akan terdeteksi sebagai area kanker (Gambar 16).
Tulang dada tersebut terdapat pada kelas kanker jinak dan ganas, sehingga
kesalahan segmentasi ini akan berpengaruh saat ekstraksi ciri karena tulang dada
dan jaringan tersebut akan turut dijadikan sebagai ciri.

Gambar 16

(a)
(b)
(a) Letak indikasi kanker, (b) Kesalahan segmentasi
tulang dada dan jaringan payudara sebagai area kanker.

Kesalahan-kesalahan ini akan mengurangi akurasi kinerja model jaringan
saraf tiruan propagasi balik. Oleh karena itu perbedaan tingkat keganasan kanker
dengan menggunakan peningkatan kontras dan segmentasi Otsu masih belum
cukup mengenali bentuk kanker dari kedua kelas citra.

18

SIMPULAN DAN SARAN
Simpulan
Penelitian ini menganalisis kinerja model jaringan saraf tiruan propagasi
balik untuk mendiagnosis tingkat keganasan kanker payudara. Berdasarkan hasil
yang diperoleh dapat disimpulkan bahwa
1. Metode jaringan saraf tiruan propagasi balik dapat digunakan untuk
membedakan kanker jinak dan kanker ganas.
2. Klasifikasi menggunakan metode ekstraksi ciri GLCM 4 arah dan jarak 1
memiliki akurasi terbaik pada sudut 900 dengan rata-rata akurasi 63.33% dan
jumlah neuron 4.
3. Kesalahan-kesalahan deteksi akibat peningkatan kontras dan segmentasi Otsu
pada citra mamografi akan mengurangi akurasi, sehingga model jaringan saraf
tiruan propagasi balik belum cukup mengenali bentuk kanker dari kedua kelas.

Saran
Saran untuk penelitian selanjutnya antara lain:
1. Gunakan algoritme morfologi agar bentuk kanker dapat terlihat jelas sehingga
perbedaan kanker jinak dan kanker ganas dapat dikenali lebih baik.
2. Gunakan teknik image enhancement lainnya agar tulang dada dan jaringan
payudara tidak ikut terdeteksi sebagai area kanker.

DAFTAR PUSTAKA
Fausset L. 1994. Fundamental of Neural Network: Architecture, Algorithms, and
Application. New Jersey (US): Prentice-Hall.
Gonzalez RC, Woods RE. 2003. Digital Image Processing. 2nd Edition.
Singapore (SG): Pearson Education Pte. Ltd.
Gonzalez RC, Woods RE, Eddins SL. 2009. Digital Image Processing Using
MATLAB. 2nd Edition. USA (US): Gatesmark Publishing.
Haralick RM, Shanmugam K, Dinstein IH. 1973. Textural Feature for Image
Classification. IEEE Transac, SMC-3:610-621.
Kohavi R. 1995. A Study of Cross-Validation and Bootstrap for Accuracy
Estimation and Model Selection. Proceedings of the Fourteenth International
Joint Conference on Artificial Intelligence. San Fransisco (US): Morgan
Kaufmann. 2(12): 1137–1143.
Listia R, Harjoko A. 2014. Klasifikasi Massa pada Citra Mammogram
Berdasarkan Gray Level Cooccurence Matrix (GLCM). Indonesian Journal of
Computing and Cybernetics Systems (IJCCS). Yogyakarta (ID): Universitas
Gajah Mada. 8(1): 59-68.

19
Liu S, Babbs CF, Delp EJ. 1998. Normal Mammogram Analysis and Recognition.
International Conference on Image Processing 98. Oktober 4-7; Chicago, IL
(US): IEEE. hlm 727-731.
Malagelada, AOI. 2007. Automatic Mass Segmentation in Mammographics
Image [Disertasi]. Girona (ES): Universitat de Girona.
Manning CD, Raghavan P, Schütze H. 2009. Introduction to Information Retrieval.
Cambridge University press [Internet]. [diunduh pada 2014 Juni 27]. New York
(US): Cambridge University press . Tersedia pada : http://nlp.stanford.edu/IRbook/pdf/irbookprint.pdf.
Mohanty AK, Beberta S, Lenka SK. 2011. Classifying Benign and Malignant
Mass Using GLCM and GLRLM Based Texture Features from Mammogram.
International Journal of Engineering Research and Applications (IJERA)
[internet]. 1(3): 687-693; [diunduh 2014 Juli 16]. Tersedia pada:
http://www.ijera.com/papers/vol 1 issue 3/ZQ013687693.pdf
Nampira YF. 2012. Aplikasi Deteksi Mikrokalsifikasi dan Klasifikasi Citra
Mammogram Berbasis Tekstur Sebagai Pendukung Diagnosis Kanker
Payudara [Skripsi]. Depok (ID): Universitas Gunadarma.
Nurhayati T, Mutiara DKN, Destyningtias B. 2010. Identifikasi Kanker Payudara
Dengan Thermal. Prosiding Seminar Nasional Sains dan Teknologi [internet].
1(1):
F75-F79;
[diunduh
2014
Mei
14].
Tersedia
pada:
http://publikasiilmiah.unwahas.ac.id/index.php/PROSIDING_SNST_FT/article
/viewFile/195/418
Otsu, N., "A Threshold Selection Method from Gray-Level Histograms," IEEE
Transactions on Systems, Man, and Cybernetics, Vol. 9, No. 1, 1979, pp. 62-66.
Rahbar G, Sie AC, Hansen GC, Prince JS, Melany ML, Reynolds HE, Jackson VP,
Sayre JW, Basset LW. 1999. Benign Versus Malignant Solid Breast Masses:
US Differentiation. Radiology. 213: 889-894.
[WHO] World Health Organization. 2013. Jumlah kematian akibat kanker di
dunia meningkat [internet]. [diakses 2014 April 25]. Tersedia pada:
http://health.liputan6.com/read/776217/who-jumlah-kematian-akibat-kankerdi-dunia-meningkat

20

RIWAYAT HIDUP
Resti Gustianingsih dilahirkan di Bontang pada tanggal 6 Desember 1990
dari pasangan Wahidin dan Mimi Sumiarsih. Penulis adalah anak kedua dari
empat bersaudara. Tahun 2009, penulis lulus dari SMA Negeri 5 Bogor dan tahun
2012 penulis lulus sebagai sarjana muda Ahli madya jurusan Manajemen
Informatika di Direktorat Program Diploma Institut Pertanian Bogor. Penulis
melanjutkan studi sarjana tahun 2012 program Alih Jenis jurusan Ilmu Komputer,
Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Selama masa studi sarjana, penulis pernah bekerja sebagai asisten dosen di
Direktorat Program Diploma Institut Pertanian Bogor sejak tahun 2012 hingga
awal tahun 2014.