80
pada proses ekstraksi citra. Gambar 3.3 menunjukkan proses menghilangkan background citra mammogram payudara.
a b
Gambar 3.4. Proses menghilangkan background citra mammogram payudara;a mdb004 dengan background hitam, b
mdb004
dengan background putih
Setelah proses menghilangkan background dilakukan, citra disimpan dengan format PNG dan pixel citra dikembalikan menjadi 1024x1024
agar sesuai dengan kualitas awal citra mammogram payudara.
2. Ekstraksi Citra
Setelah melakukan pemotongan citra dan penghilangan background, langkah selanjutnya adalah melakukan ekstraksi citra. Proses ekstraksi
merupakan salah satu karakteristik penting yang digunakan dalam mengidentifikasi objek atau pola citra, karena metode ekstraksi citra yang tepat
akan mampu memberikan informasi yang detail tentang kelas suatu citra. Proses ekstraksi citra dapat dilakukan dengan Gray Level Coocurrence Matrix
GLCM. Parameter-parameter hasil ekstraksi citra yang digunakan dalam
81
tugas akhir ini adalah 14 fitur yang nantinya digunakan sebagai variabel input dalam proses klasfikasi. Fitur tersebut yaitu energi, kontras, korelasi, sum of
squares, inverse difference moment, sum average, sum variance, sum entropy, entropi, difference variance, difference entropy, probabilitas maksimum,
homogenitas dan dismilarity. Proses ekstraksi citra untuk mendapatkan parameter-parameter tersebut
dapat dilakukan dengan bantuan MATLAB R2013a. Script M-file MATLAB R2013a untuk ekstraksi citra ini dilampirkan pada Lampiran 3. Berikut adalah
contoh hasil ekstraksi citra untuk data mammogram
mdb004.png
yang ditunjukkan pada Tabel 3.13.
Tabel 3.13. Hasil Ekstraksi Citra
mdb004.png
No Nama File
mdb004.png
1 Energi
0,219667 2
Kontras 0,154626
3 Korelasi
0,968967 4
Sum of squares 44,661061
5 Inverse difference moment
0,997965 6
Sum average 13,028064
7 Sum variance
135,737322 8
Sum entropy 1,806137
9 Entropi
1,872276 10
Difference variance 0,154626
11 Difference entropy
0,259464 12
Probabilitas maksimum 0,355193
13 Homogenitas
0,967130 14
Dissimilarity 0,078339
82
3. Pendefinisian Variabel Input dan Target
Pendefinisian variabel input dan target digunakan sebagai input dan target jaringan. Input berasal dari 14 parameter hasil dari ekstraksi citra
menggunakan Gray Level Co-occurance Matrix GLCM secara lengkap dapat dilihat pada Lampiran 4 dan 5, sehingga banyaknya neuron pada lapisan
input adalah 14 neuron. Variabel target berasal dari keterangan diagnosa masing-masing citra
foto yaitu foto mammogram normal, foto mammogram tumor benign, dan foto mammogram kanker malignant. Target dan output berupa vektor yang
mewakili masing-masing stadium. Pola target yang digunakan yaitu sebagai berikut.
Tabel 3.14. Pola target vektor klasifikasi stadium kanker payudara
No. Stadium Kanker
Target Vektor 1.
Normal 2.
Tumor Benign 1
3. Kanker Malignant
1
Hasil klasifikasi yang didapatkan merupakan bilangan desimal. Pengklasifikasian dilakukan dengan membulatkan bilangan desimal tersebut
dengan kriteria, jika maka dibulatkan menjadi 0, sedangkan apabila
maka hasil perhitungan dibulatkan menjadi 1.
4. Pembagian Data Input