DETEKSI MENINGIOMA DAN SCHWANNOMA DARI CITRA CT-SCAN MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM) DAN BACKPROPAGATION SKRIPSI

  

DETEKSI MENINGIOMA DAN SCHWANNOMA DARI CITRA CT-SCAN

MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM)

DAN BACKPROPAGATION

SKRIPSI

FRANSISKA MEILISA PROGRAM STUDI S1 TEKNOBIOMEDIK DEPARTEMEN FISIKA

FRANSISKA MEILISA PROGRAM STUDI S1 TEKNOBIOMEDIK DEPARTEMEN FISIKA

FRANSISKA MEILISA PROGRAM STUDI S1 TEKNOBIOMEDIK DEPARTEMEN FISIKA

  

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS AIRLANGGA

2016

DETEKSI MENINGIOMA DAN SCHWANNOMA DARI CITRA CT-SCAN

  

MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM)

DAN BACKPROPAGATION

SKRIPSI

  

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS AIRLANGGA

2016

DETEKSI MENINGIOMA DAN SCHWANNOMA DARI CITRA CT-SCAN

  

MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM)

DAN BACKPROPAGATION

SKRIPSI

  

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS AIRLANGGA

2016

  SKRIPSI DETEKSI MENINGIOMA DAN... FRANSISKA MEILISA

  SKRIPSI DETEKSI MENINGIOMA DAN... FRANSISKA MEILISA

PEDOMAN PENGGUNAAN SKRIPSI

  Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam lingkungan Universitas Airlangga, diperkenankan untuk dipakai sebagai referensi kepustakaan, tetapi pengutipan harus seizin penyusun dan harus menyebutkan sumbernya sesuai kebiasaan ilmiah.

  Dokumen skripsi ini merupakan hak milik Universitas Airlangga.

  iv SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.

KATA PENGANTAR

  Puji syukur kehadirat Tuhan Yang Maha Esa atas limpahan berkat serta hidayah-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul “Deteksi Meningioma dan Schwannoma dari Citra CT-Scan Menggunakan

  

Gray Level Co-occurrence Matrices dan Backproagation”. Skripsi ini dibuat

  untuk memenuhi salah satu syarat kelulusan di Program Studi S1 Teknobiomedik, Departemen Fisika, Fakultas Sains dan Teknologi, Universitas Airlangga.

  Diharapkan melalui skripsi ini, penulis dapat melakukan penelitian dengan baik dan menghasilkan karya yang bermanfaat bagi dunia medis.

  Selain itu, skripsi ini diharapkan dapat membantu generasi selanjutnya dalam mengangkat sebuah topik penelitian dan melakukan penyusunan skripsi. Skripsi ini dapat diselesaikan berkat kerja keras dan juga dukungan berbagai pihak yang telah membantu penyusunan skripsi ini sehingga dapat diselesaikan dengan baik. Oleh karena itu, penulis mengucapkan terima kasih, terutama kepada :

  1. Kedua orang tua, dan saudara-saudara yang selalu mendukung penulis dengan doa, cinta, dorongan moral, serta semangat yang tak pernah putus untuk menyelesaikan naskah skripsi ini.

  2. Yohanna Mailiyana selaku kakak perempuan penulis yang telah memberikan kontribusinya dalam pengumpulan data. v SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.

  3. Dr. Moh. Yasin, M.Si selaku ketua Departemen Fisika, Fakultas Sains dan Teknologi, Universitas Airlangga.

  4. Dr. Khusnul Ain,S.T.,M.Si selaku Ketua Program Studi S1 Teknobiomedik, Departemen Fisika, Fakultas Sains dan Teknologi, Universitas Airlangga.

  5. Prof. Dr. Retna Apsari. M.Si selaku dosen pembimbing I skripsi ini yang telah membimbing penulisdengan memberikan saran, arahan, waktu, serta fasilitas lainnya dalam penulisan skripsi.

  6. Endah Purwanti,S.Si. M.T selaku pembimbing II yang telah memberikan bimbingan kepada penulisberupa saran, arahan, waktu serta fasilitas lainnya dalam penulisan skripsi.

  7. Franky Chandra S.A, S.T, M.T selaku penguji I proposal dan skripsi.

  8. Drs. Adri Supardi, M.S selaku penguji II skripsi.

  9. Lailatul Muqmiroh, dr., SpRad(K) selaku dokter pembimbing penulis yang memberikan saran, ide, waktu, maupun literatur yang dibutuhkan dalam penulisan skripsi ini.

  10. Dr. Suryani Dyah Astuti. M.Si selaku dosen wali penulis yang telah mengijinkan serta memberi berbagai saran dalam pengambilan mata kuliah skripsi yang memberikan saran, ide, waktu, maupun literatur yang dibutuhkan dalam penulisan skripsi ini.

  11. Sri Andreani Utomo,dr,Sp.Rad(K) dan Rahardian Indarto Susilo, dr.,SpBS selaku pembimbing klinis penulis di RSUD dr. Soetomo yang memberikan vi SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M. saran, ide, waktu, maupun literatur yang dibutuhkan dalam penulisan skripsi ini.

  12. Para pegawai diklat RSUD Ulin Banjarmasin yang telah memberikan izin serta arahan penulis dalam pengambilan data CT-Scan.

  13. Para pegawai instalasi radiologi RSUD Ulin Banjarmasin yang telah memberikan arahan, ilmu, maupun bantuan dalam pengambilan data CT-

  Scan.

  14. Para pegawai instalasi radiologi RSUD dr. Soetomo Surabaya yang telah memberikan arahan, dan bantuan dalam pengambilan data CT-Scan.

  15. Sdri. Priyanka Wardani selaku senior penulis yang memberikan pengarahan dalam pembuatan naskah maupun penggunaan Matlab.

  16. Dewa Ayu Githa M.S, Anif Hidayati, Rizka Andhitia M.P, Kirana Nathalie P., Karina Dwi S., Novia Dwi A., Cindy Astelia, Inas Fatimah, dan Fadilla Nashiri K. selaku teman perjuangan skripsi penulis yang telah memberikan bantuan dan semangat dalam penulisan skripsi.

  17. Teman-teman S-1 Teknobiomedik angkatan 2012 yang turut membantu dan memotivasi kepada penulis dalam penulisan skripsi.

  Penulis menyadari bahwa skripsi skripsi ini masih jauh dari kata sempurna.Oleh karena itu, kritik dan saran yang membangun sangat diharapkan untuk mengembangkan penelitian skripsi ini.

  Surabaya, 20 Juli 2016 Penulis

  Fransiska Meilisa vii SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.

  

Fransiska Meilisa, 2016.Deteksi Meningioma dan Schwannoma dari Citra

CT-Scan Menggunakan Gray Level Co-Occurrence Matrices (GLCM) dan

Backpropagation. Skripsi di bawah bimbingan Prof. Dr. Retna Apsari, M.Si

dan Endah Purwanti, S.Si, M.T, Program Studi S1 Teknobiomedik, Fakultas

Sains dan Teknologi, Universitas Airlangga, Surabaya.

  

ABSTRAK

  Penelitian ini bertujuan untuk membangun sebuah program yang mampu mendeteksi kelainan meningioma, schwannoma, dan normal dari citra otak CT- Scan menggunakan jaringan syaraf tiruan backpropagation. Fitur yang digunakan sebagai masukan backpropagation adalah fitur tekstur energi, entropi, dan inverse

  

different moment. Semua fitur tersebut diambil menggunakan metode gray level

co-occurrence matrices (GLCM). Akurasi pelatihan backpropagation tertinggi

  yaitu sebesar 85,5263% dengan maksimum epoh 10000, learning rate 1, dan jumlah neuron di hidden layer 10. Akurasi pengujian sebesar 89,47% dari seluruh data uji, 100% untuk keseluruhan data uji meningioma, 100% untuk keseluruhan data uji normal, dan 50% untuk keseluruhan data uji schwannoma. Akurasi pengujian untuk membedakan otak normal dengan tumor memiliki akurasi yang lebih tinggi daripada literatur. Akan tetapi akurasi utntuk membedakan keseluruhan kasus lebih rendah daripada penelitian sebelumnya. Penambahan fitur morfologi ventrikel otak dan massa tumor dapat menjadi pertimbangan untuk penelitian selanjutnya guna meningkatkan akurasi sistem. Kata kunci : CT-Scan, Meningioma, Schwannoma, GLCM, Backpropagation viii SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.

  

Fransiska Meilisa, 2016.Meningioma and Schwannoma detection ofCT-Scan

Images Using Gray Level Co-Occurrence Matrices (GLCM) and

Backpropagation. This thesis was under guidance of Prof. Dr. Retna Apsari,

M.Si and Endah Purwanti, S.Si, M.T, Biomedical Engineering Study

Program, Faculty of Science dan Technology, Airlangga University,

Surabaya.

  

ABSTRACT

  This research aims to develop a program that can detect brain abnormalities such as meningioma, schwannoma, and normal brain from CT scan images using backpropagationneural networks. The featurs that used as backpropagation inputsare energy, entropy, and inverse different moment of the textural features. All of these features were extratcted using gray level co- occurrence matrices (GLCM) method. The highest backpropagation training accuracy is 85,5263% using 10000 maximum epoch ,1 learning rate, and 10neurons in the hidden layer. Testing accuracy is 89,47% for overall testing data, 100% for overall meningioma testing data, 100% for overall normal brain data, and 50% for overall schwannoma testing data. Testing accuracy to distinguish normal brain and tumour is higher than the previous research. However, accuracy to distinguish all cases lower than the previous research. The addition of morphological features of the brain ventricles and tumor mass can be considered for further research in order to improve the accuracy of the system.

  Key words : CT-Scan, Meningioma, Schwannoma, GLCM, Backpropagation ix SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.

  

DAFTAR ISI

  HALAMAN JUDUL ........................................................................................ i LEMBAR PERNYATAAN ................................................................................ ii LEMBAR PENGESAHAN .............................................................................. iii PEDOMAN PENGGUNAAN SKRIPSI ............................................................ iv KATA PENGANTAR ........................................................................................ v ABSTRAK .......................................................................................................... viii ABSTRACT ....................................................................................................... ix DAFTAR ISI....................................................................................................... x DAFTAR TABEL ............................................................................................ xiii DAFTAR GAMBAR ....................................................................................... xiv DAFTAR LAMPIRAN....................................................................................... xvi BAB I PENDAHULUAN ................................................................................

  1 1.1 Latar Belakang ..................................................................................

  1 1.2 Rumusan Masalah .............................................................................

  7 1.3 Batasan Masalah ...............................................................................

  8 1.4 Tujuan Penelitian ..............................................................................

  8 1.5 Manfaat Penelitian ............................................................................

  9 BAB II TINJAUAN PUSAKA ........................................................................

  10

  2.1 Otak ..................................................................................................... 10

  2.2 Tumor Otak ......................................................................................... 11

  2.2.1 Diagnosa Tumor Otak ............................................................... 12

  2.2.1.1 Imaging Test Computed Tomography .......................... 12

  2.2.1.2 Imaging Test Magnetic Resonance Imaging ................. 12

  2.2.1.3 Biopsi (Biopsy) ............................................................. 13

  2.2.2 Gambaran Radiologis Tumor Otak Pada CT-Scan ................... 14

  2.2.3 Jenis-Jenis Tumor Otak ............................................................. 15

  2.2.3.1 Tumor Otak Primer ....................................................... 15

  2.2.3.2 Tumor Otak Sekunder (Metastatic Brain Tumours)...... 19

  2.3 Computed Tomography ....................................................................... 21 x SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.

  2.4 CT-Scan (Computed Tomogrphy Scanner) ......................................... 22

  2.4.1 Sinar-X ...................................................................................... 22 2.4.2 Prinsip Dasar CT-Scan ..........................................................

  23

  2.4.3 Rekonstruksi Citra CT-Scan ...................................................... 25

  2.5 Gray Level Co-occurance Matrices..................................................... 30 2.5.1 Kontruksi Co-occurance Matrices..........................................

  31

  2.5.2 Fitur Tekstur Gray Level Co-occurance Matrices..................... 33

  2.6 Jaringan Syaraf Tiruan ........................................................................ 34

  a. Pembelajaran Terawasi (Supervised Learning)............................ 35

  b. Pembelajaran Tak Terawasi (Unsupervised Learning)................. 35

  c. Pembelajaran Hibrida (Hybrid Learning) .................................... 35 2.7 Bacpropagation .................................................................................

  36 BAB III METODE PENELITIAN...................................................................... 41

  3.1 Tempat dan Waktu Pelaksanaan.......................................................... 41

  3.2 Peralatan dan Software......................................................................... 41

  3.3 Prosedur Penelitian............................................................................... 42

  3.3.1 Persiapan Data............................................................................ 42

  3.3.2 Ekstrasi Fitur Tekstur................................................................. 44

  3.3.3 Pelatihan Jaringan Backpropagation.......................................... 45

  3.3.4 Pengujian Jaringan Backpropaation.......................................... 47

  3.3.5 Analisa Data............................................................................... 47 3.4 Desain Interface..................................................................................

  48 BAB IV HASIL DAN PEMBAHASAN...........................................................

  55

  4.1 Tampilan Program ............................................................................... 55

  4.1.1 Jendela Beranda......................................................................... 55

  4.1.2 Jendela Program Deteksi............................................................ 56

  4.1.3 Jendela Program Training dan Testing...................................... 57

  4.1.4 Jendela Bantuan......................................................................... 61

  4.2 Hasil Pengumpulan Data...................................................................... 62

  4.3 Hasil Ekstrasi Fitur............................................................................... 63 xi SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.

  4.4 Peatihan Jaringan Backpropagation..................................................... 69

  4.5 Pengujian Backpropagation................................................................. 74

  BAB V KESIMPULAN DAN SARAN

  80

  5.1 Kesimpulan...................................................................................... 80

  5.2 Saran................................................................................................ 80 DAFTAR PUSTAKA.......................................................................................... 82 LAMPIRAN.......................................................................................................

  85 xii SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.

  xiii SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.

  

DAFTAR TABEL

  Nomor Judul Tabel Halaman

Tabel 2.1 Gejala dan Pengobata Meningioma dan Schwannoma

  17 Tabel 2.2 Diagnosa Pembeda Meningioma dengan Schwannoma

  18 Tabel 4.1 Nilai Hasil Ekstrasi Fitur dan Uji Citra.........................

  78

  

DAFTAR GAMBAR

  Nomor Judul Gambar Halaman Gambar 2.1 Otak Manusia ................................................................

  10 Gambar 2.2 Citra MRI dari Tumor Otak Benigna dan Maligna........

  13 Gambar 2.3 Prosedur Biopsi..............................................................

  14 Gambar 2.4 Otak Normal pada Citra CT-Scan..................................

  15 Gambar 2.5 Tumor Otak pada Citra CT-Scan....................................

  15 Citra CT-Scan otak normal, meningioma, dan

Gambar 2.6 schwannoma...................................................................

  19 Tumor Otak Menekan dan Merubah Posisi Jaringan

Gambar 2.7 Normal...........................................................................

  20 Dua Buah Poyeksi Memperlihatkan Sebuah Objek

Gambar 2.8 yang Terdiri dari Sepasang Silinder...............................

  22 Gambar 2.9 Susunan Alat CT-Scan....................................................

  23 Gambar 2.10 Pengukuran Transmisi Sinar-X......................................

  24 Gambar 2.11 Matriks RekonstruksiCT-Scan......................................

  26 Gambar 2.12 Algoritma ART pada CT-Scan.......................................

  29 Gambar 2.13 Algoritma Backprojection CT-Scan...............................

  30 Gambar 2.14 Algoritma FBP CT-Scan................................................

  30 Gambar 2.15 Arah Sudut dalam Membangun GLCM........................

  31 Gambar 2.16 Arsitektur Jaringan Backpropagation............................

  37 Gambar 3.1 Diagram Prosedur Penelitian..........................................

  43 Gambar 3.2 Algoritma PelatihanBackpropagation..........................

  46 Gambar 3.3 Algoritma Pengujian Backpropagation..........................

  47 Gambar 3.4 Desain Tampilan Jendela Beranda.................................

  48 Gambar 3.5 Desain Tampilan Jendela Program Deteksi....................

  49 Gambar 3.6 Desain Tampilan Jendela Login.....................................

  51 Gambar 3.7 Desain Tampilan Jendela Program Training dan Testing............................................................................

  53 xiv SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.

Gambar 3.8 Desain Tampilan Jendela Bantuan.................................

  54 Gambar 4.1 Tampilan Jendela Beranda.............................................

  56 Gambar 4.2 Tampilan Jendela Program Deteksi................................

  57 Gambar 4.3 Tampilan Jendela Login.................................................

  58 Gambar 4.4 Tampilan Jendela Training dan Testing.........................

  59 Gambar 4.5 Tampilan Panel Training................................................

  60 Gambar 4.6 Tampilan Panel Testing..................................................

  60 Gambar 4.7 Tampilan Jendela Bantuan.............................................

  61 Gambar 4.8 Grafik Nilai Rata-Rata Fitur IDM dari Sudut 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ untuk Data Latih..............................................

  64 Gambar 4.9 Grafik Nilai Rata-Rata Fitur Entropi dari Sudut 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ untuk Data Latih..............................................

  66 Gambar 4.10 Grafik Nilai Rata-Rata Fitur Energi dari Sudut 0ᵒ, 45ᵒ, 90ᵒ, 135ᵒ untuk Data Latih..............................................

  68 Gambar 4.11 Grafik MSE Pelatihan Backpropagation dengan masukan energi+entropi+IDM, 10 Hidden Layer,

  Learning Rate 1, dan Maksimum Epoh 10000...............

  71 Gambar 4.12 Akurasi Pelatihan Backpropagation dengan masukan energi+entropi+IDM, 10 Hidden Layer, Learning Rate 1, dan Maksimum Epoh 10000......................................

  72 Gambar 4.13 Grafik Akurasi Terhadap Learning Rate dari Berbagai Variasi Epoh dan Hidden LayerMenggunakan 3 Masukan.........................................................................

  73 Gambar 4.14 Grafik Waktu Pelatihan Terhadap Learning Rate dari Berbagai Variasi Epoh dan Hidden Layer Menggunakan 3 Masukan..............................................

  74 xv SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.

DAFTAR LAMPIRAN

  Nomor Judul Lampiran Halaman Lampiran 1 Nilai Hasil Ekstrasi Fitur Citra CT-Scan Otak

  85 Data Training.................................................................. Lampiran 2 Akurasi Pelatihan Backpropagation...............................

  88 Lampiran 3 Listing GUI Program......................................................

  95 Lampiran 4 Bukti Pengambilan Data................................................. 119 xvi SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M.

BAB I PENDAHULUAN

1.1 Latar Belakang

  Tumor otak merupakan salah satu penyakit yang sangat mematikan dan banyak diderita oleh pasien dengan variasi usia yang sangat beragam.Cancer

  

Support Communitymenyatakan bahwa pada tahun 2012 di United States, lebih

  dari 688.000 orang didiagnosa menderita tumor otak primer dimana 63% merupakan tumor otak jinak dan 37% merupakan tumor otak ganas. Selain itu, menurut American Brain Tumor Association, tumor otak merupakan penyebab kematian nomor lima dari seluruh pasien kanker pada wanita yang berusia 20-39 tahun (Sari et al, 2014). Kasus tumor otak primer yang paling banyak yaitu

  

meningioma dan schwannoma. Menurut American Brain Tumor Association

  jumlah kasus meningioma mencapai 34% dari keseluruhan kasus tumor otak primer. Sedangkan jumlah kasus shwanoma mencapai 8% dari keseluruhan kasus tumor otak primer pada rongga intrakranial, sebagian besar berasal dari syaraf akustik dan trigeminal (Sun et al, 1998).

  Tumor merupakan massa jaringan yang terdiri dari sel tumor. Sel tumor ialah sel tubuh kita sendiri yang mengalami perubahan (transformasi)sehingga bentuk, sifat, dan kinetikanya berubah, sehingga tumbuhnya menjadi autonom, liar, tidak terkendali dan terlepas dari koordinasi pertumbuhan normal (Sukardja, 2000).

  Dari definisi tersebut maka tumor otak merupakan massa jaringan dari sel-sel otak yang tumbuh tidak terkendali.

  1 SKRIPSI DETEKSI MENINGIOMA DAN … FRANSISKA M. Tumor otak ada dua jenis yaitu benigna (jinak) dan maligna (ganas).Tumor benigna memiliki pertumbuhan sel yang lambat dan memiliki batas yang jelas serta jarang menyebar (Mayfield Clinic, 2013). Tumor maligna memiliki pertumbuhan sel yang cepat dan memiliki batas yang tidak jelas serta menyebar ke area otak yang lain (Mayfield Clinic, 2013). Walaupun tumor benigna tumbuh secara lambat, pertumbuhannya dapat membahayakan kehidupan pasien. Tumor benigna dapat tumbuh membesar dan menekan organ maupun jaringan sehat pada otak sehingga dapat menganggu fungsinya dan menyerang jaringan lain (Kohir,2015). Oleh karena itu dibutuhkan sebuah diagnosa dini tumor otak sebagai langkah pengambilan keputusan bagi tenaga medis untuk memberikan terapi yang sesuai bagi pasien.

  Diagnosa tumor otak ditegakkan berdasarkan pemeriksaan klinis dan pemeriksaan penunjang yaitu pemeriksaan radiologi dan patologi anatomi (Japardi, 2002). Sangat sulit mendiagnosa tumor otak melalui pemeriksaan klinis karena gejala klinis setiap individu berbeda dan tergantung dari lokasi serta besarnya massa tumor sehingga dibutuhkan pemeriksaan penunjang terutama pemeriksaan radiologis. Pemeriksaan secara radiologis atau scan merupakan langkah awal untuk identifikasi keberadaan serta lokasi tumor otak tumbuh (Kohir 2015). Pemeriksaan ini bersifat non-invassive dan dapat dilakukan oleh beberapa peralatan medis seperti X-Rays, Positron Emission Tomography (PET), Computed

  Tomography Scan (CT-Scan), dan Magnetic Tomography Imaging (MRI).

  Beberapa dekade terakhir CT scan digunakan secara luas dalam mendukung diagnosis klinik suatu penyakit. Alat ini dapat membantu tenaga medis dalam menentukan lokasi patologis dengan lebih akurat. CT scan dapat menampilkan bermacam-macam jaringan tubuh berdasarkan perbedaan tingkat

  a

  keabuannya(Padma et al,2011 ). CT scan memiliki keterbatasan dalam menampilkan citra kepala akibat adanya efek volume ruang yang mana berimbas pada rendahnya kontras antar jaringan otak dan objek lainnya sehingga memiliki

  b

  intensitas yang sama (Padma et al,2011 ). Berdasarkan permasalahan tersebut maka analisis suatu citra CT scan otak oleh mata telanjang memerlukan waktu yang lama, seharusnya pasien membutuhkan penanganan yang cepat dan tepat sesuai jenis tumor yang diderita. Oleh karena itu sudah dilakukan penelitian mengenai deteksi, segmentasi, maupun klasifikasi kelainan otak guna menghemat waktu pemeriksaan radiologis.

  Penelitian sebelumnya yang dilakukan oleh Susmikanti (2010), dilakukan pengenalan berbasis jaringan syaraf tiruan dalam analisa CT scan tumor otak benigna dengan fitur dominan yang disederhanakan oleh Principle Component

  

Analysis dan jaringan syaraf tiruan perceptron. Dalam penelitian tersebut

  didapatkan akurasi rata-rata sebesar 95,8% bagi jaringan yang dibangun untuk membedakan otak normal, meningioma, Adenoma Pituitari, Kraniofaringioma,

  Pilocytic Astrositoma, dan Akustik Neurinoma. b

  Penelitian yang dilakukan oleh Padma et al (2011 ), dibangun sebuah program segmentasi jaringan lunak dan klasifikasi tumor otak dari citra CT scan dengan fitur tekstur dan Bidirectional Associative Memory (BAM) classifier. b

  Berdasarkan penelitian Padma et al (2011 ), dalam penelitian ini digunakan 13 fitur tekstur dari metodeGray Level Co-occurrence Matrices (GLCM) dalam empat sudut yakni 0ᵒ, 45ᵒ, 90ᵒ, dan 135ᵒ. 13 buah fitur tekstur tersebut kemudian direduksi menggunakan student t-test (ρ<0,001) menjadi 8 fitur dan selanjutnya dilakukan percobaan untuk mengetahui kombinasi fitur yang tepat sebagai masukan. Citra CT-Scan yang digunakan yaitu 30 normal dan 50 tumor otak (benigna dan maligna). 13 fitur tekstur yang digunakan direduksi sehingga didapatkan 8 fitur terbaik yaitu variance, angular second moment

  

(ASM/energy),contrast, correlation, entropy, sum entropy, difference variance,

  dan difference entropy.Akurasi klasifikasi tertinggi didapatkan dengan menggunakan kombinasi 4 masukan fitur tekstur yaitu energy, entropy, variance, dan inverse difference moment sebesar 93,7%. Nilai akurasi berkurang seiring bertambahnya fitur tekstur dari GLCM. Klasifikasi dibuat untuk membedakan citra normal dengan abnormal (tumor otak). Selain itu dengan keempat buah fitur tekstur tersebut, didapatkan akurasi segmentasi tertinggi sebesar 99,7%.

  Penelitian selanjutnya yang dilakukan oleh Padma et al (2013), dilakukan klasifikasi tumor otak dan segmentasi jaringan lunak otak pada citra CT scan menggunakan Dominat Gray Level Run Length Texture Features berbasis

  

Waveletdan SVM (Support Vector Machine) Classifier. Dalam penelitian ini

  didapatkan akurasi kalsifikasi otak normal dan abnormal (tumor) sebesar 98,3% dan dapat melakukan segmentasi pada area tumor. Segmentasi yang dilakukan oleh program ini tidak sebaik hasil segmentasi menggunakan fitur tekstur

  b menggunakan metode GLCM dari penelitianPadma et al (2011 ). Beberapa peneliti tersebut menjadi dasar bagi penulis unutk melakukan penelitian yang berjudul “Deteksi Meningiomadan Schwannomadari Citra CT-

  

Scan Menggunakan Gray Level Co-occurrence Matrices (GLCM) dan

Backpropagation”. Pemilihan kedua jenis tumor tersebut sebagai objek penelitian

  yaitu berdasarkan ciri dan tingkat keabuan yang hampir sama pada citra CT-Scan sehingga menyebabkan keraguan bahkan kesalahan diagnosis bagi para medis.

  Perbedaan dari kedua jenis tumor otak tersebut terlihat pada tekstur jaringannya setelah dilakukan pembedahan. Berdasarkan Grossman et al (1994), tekstur massa jaringan meningioma hiperdens dan schwannoma isodensdibandingkan jaringan otak normal. Berdasarkan Claussen et al (1982), massa yang hiperdens memiliki tingkat keabuan yang lebih tinggi dariada jaringan normal begitu juga sebaliknya massa isodens memiliki tingkat keabuan yang sama dengan jaringan otak normal.

  Pada citra CT-Scan, terkadang massa hiperdens terutama massa isodens memiliki tingkat keabuan yang sama dengan jaringan normal sehingga dalam pemeriksaan tumor pasien harus diberikan zat kontras. Hal tersebut mengakibatkan sulitnya diagnosis untuk membedakan kedua sifat jaringan tersebut pada citra CT-Scan.

  Citra CT-Scan dalam diperoleh melalui mesin CT-Scan multislice dengan spesifikasi yang sama yaitu ukuran citra 512x512 piksel dengan keadaan maksimum 130kV. Hal ini dibutuhkan untuk mengurangi perbedaan kualitas citra yang didapatkan sebagai sumber data.

  Fitur yang diambil dari citraCT-Scan yaitu fitur tekstur. Berdasarkan Padma

  b

et al (2011 ), fitur berdasarkan intensitas saja tidak cukup unutk melakukan

  klasifikasi maupun segmentasi citra otak CT-Scan karena kompleksitas patologi otak dengan intensitas dan kontras yang sama pada banyak bagian. Oleh karena itu dalam penelitian ini digunakan fitur tektstur untuk membedakan massa jaringan hiperdens dan isodens dari kedua jenis tumor tersebut dengan massa jaringan otak normal. Fitur tekstur yang diambil dari GLCM untuk analisis citra

  

CT-Scanotakmerupakan 4 fitur tektur yang digunakan dalam penelititan Padma et

b

al (2011 ) yaitu energy, entropy, variance, dan inverse difference moment. Namun

  dalam penelitian ini hanya diambil fiturenergy, entropy, dan inverse differrent

  

moment karena nilai semua fitur varians sama untuk semua citra. Ketigat fitur

  tekstur tersebut mampu menggambarkan homogenitas massa tumor, homogenitas edema, selisih tingkat keabuan massa dengan jaringan sekitarnya, dan keberagaman tingkat keabuan jaringan normal citra otak normal dengan meningioma dan schwannoma.

  Penelitian ini menggunakan backpropagation sebagai metode klasifikasi citra CT-Scan otak. Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan mengenali pola yang digunakan selama training serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa namun tidak sama dengan pola yang dipakai selama pelatihan (Siang, 2005; dalam Azizi, 2013). Dalam penelitian ini dilakukan variasi nilai parameter jaringan backpropagation yaitu maksimum epoh, learning rate dan jumlah neuron di hidden layer. Variasi nilai parameter tersebut bertujuan untuk mengetahui nilai parameter optimum yang menghasilkan akurasi tertinggi dari aplikasi yang dibangun. Fitur yang menjadi input

  

backpropagation dalam penelitian ini yaitu 4 fitur tekstur dari GLCM.Keempat fitur tektur tersebut dilakukan variasi kombinasi input untuk mendapatkan akurasi terbaik. Keluaran dari backpropagation ada tiga yaitu normal, meningioma, dan

  

schwannoma. Penilaian keberhasilan dan kinerja backpropagation dalam

  penelitian ini diukur melalui tingkatakurasi. Akurasi merupakan kesesuain antara dignosis ahli radiologi dengan keluaran dari backropagation. Nilai akurasi dalam penelitian ini akan menjadi dasar dalam analisis kinerja dari sistem deteksi yang dibuat.

1.2 Rumusan Masalah

  Berdasarkan uraian latar belakang permasalahan di atas, penulis merumusakan masalah sebagai berikut:

  1. Bagaimana kombinasi fitur tekstur energy, entropy, dan inverse

  difference moment yang didapatkan dari gray level co-occurrence matrices (GLCM) sehingga dihasilkan akurasi tertinggi?

  2. Berapa nilai parameter optimal backpropagation yang digunakan dalam pembelajaran jaringan syaraf tiruan backpropagation untuk klasifikasi citra CT-Scan otak?

  3. Berapakah tingkat akurasi sistem klasifikasi citra CT scan otak untuk deteksi meningioma dan schwannoma menggunakan gray level co-

  occurrence matrices (GLCM) dan backpropagation ?

  1.3 Batasan Masalah

  1. Citra yang digunakan sebagai objek penelitian adalah citra CT-Scan yang merupakan citra digital potongan aksial otak yang diperoleh dari RSUD Ulin Banjarmasin dan RSUD dr. Soetomo Surabaya, serta telah diklasifikasi oleh dokter radiologi.

  2. Citra otak diperoleh dari subyek normal tanpa diagnosa tumor otak dan penderita meningioma dan schwannomadi RSUD Ulin Banjarmasin dan RSUD dr.Soetomo, Surabaya.

  1.4 Tujuan Penelitian

  Tujuan dari penelitian ini yaitu:

  1. Mendapatkankombinasi fitur tekstur energy, entropy, dan inverse

  difference moment yang didapatkan dari GLCM sehingga dihasilkan akurasi tertinggi.

  2. Memperoleh nilai parameter optimal backpropagation yang digunakan dalam pembelajaran jaringan syaraf tiruan backpropagation untuk klasifikasi citra CT-Scan otak.

  3. Memperoleh tingkat akurasi sistem klasifikasi citra CT-scan otak untuk deteksi meningioma dan schwannoma menggunakan gray level co-

  occurrence matrices (GLCM) dan backpropagation.

1.5 Manfaat Penelitian

  1. Mengembangkan sistem CAD (Computer Aided Detection) pada alat tomografi sehingga mampu membantu tugas seorang radiologis dalam menganalisis citra tomografi otak yang memiliki penyakit seperti meningioma dan schwannoma.

  2. Memberikan wacana bagi peneliti-peneliti di masa mendatang untuk mengembangkan alat bantu diagnosis khususnya untuk deteksimeningioma dan schwannoma.

BAB II TINJAUAN PUSTAKA

2.1 Otak

  Otak merupakan organ tubuh yang terdiri dari kumpulan jaringan lunak seperti spong dan berfungsi sebagai pusat koordinasi tubuh. Organ ini dilindungi oleh tengkorak, tiga lapisan jaringan tipis (meninges), cairan serebrospinal yang mengalir di ruangan antara meninges dengan otak (ventrikel).

  

Gambar 2.1Otak Manusia (Utari, 2012)

  Otak melaksanakan semua fungsi yang disadari. Otak bertanggung jawab terhadap pengalaman-pengalaman berbagai macam sensasi atau rangsangan terhadap kemampuan manusia untuk melakukan gerakan-gerakan yang menuruti kemauan (disadari), dan kemampuan untuk melaksanakan berbagai macam proses mental, seperti ingatan atau memori, perasaan emosional, intelegensia, berkomunikasi, sifat atau kepribadian dan ramalan (Utari, 2012).

  Secara garis besar otak dibagi menjadi serebrum (otak besar), serebelum (otak kecil), mesensefalon (otak tengah), diensefalon (otak depan), dan pons varoli (jembatan varol). Serebrum berfungsi dalam mengatur semua aktivitas mental, yang berkaitan dengan kepandaian (intelegensia), ingatan (memori),

  10 kesadaran, dan pertimbangan. Serebelum mempunyai fungsi utama dalam koordinasi terhadap otot dan tonus otot, keseimbangan dan posisi tubuh.

  Mesensefalon berfungsi penting pada refleks mata, tonus otot serta fungsi posisi atau kedudukan tubuh. Diensefalon terdiri atas dua bagian, yaitu thalamus yang berfungsi menerima semua rangsang dari reseptor kecuali bau, dan hipothalamus yag berfungsi dalam pengaturan suhu, pengaturan nutrien, penjagaan agar tetap bangun, dan penumbuhan sikap agresif. Pons varoli merupakan serabut saraf yang menghubungkan otak kecil bagian kiri dan kanan serta menghubungkan otak besar dan sumsum tulang belakang.

2.2 Tumor Otak Tumor otak merupakan penyakit yang menjadi objek dalam penelitian ini.

  Tumor (disebut juga neoplasma atau lesi) merupakan jaringan abnormal yang tumbuh dari pembelahan sel yang tidak terkendali (Mayfield Clinic, 2013). Sel normal tumbuh secara terkendali sebagai sel baru untuk mengganti sel yang sudah tua atau rusak. Beberapa faktor dapat menyebabkan sel tumbuh secara tidak terkendali dan menyimpang dari sifatnya sehingga menganggu bahkan merusak sel disekitarnya.

  Pilihan tindakan yang tepat bagi pasien tumor otak sangat bergantung pada jenis ukuran, lokasi, menyebar atau tidak, dan usia serta riwayat medisnya.

  Tindakan yang diberikan dapat bersifat kuratif atau fokus untuk mengurangi gejala yang ditimbulkan. Tindakan yang berupa terapi maupun operasi dapat meningkatkan masa serta kualitas hidup pasien.

2.2.1 Diagnosa Tumor Otak

  Diagnosa awal dilakukan dengan memperolah data riwayat kesehatan keluarga pasien dan pemeriksaan fisik. Setelah itu dilakukan pemeriksaan neurologis unutk mengetahui status mental, memory, fungsi syaraf cranial, kekuatan otot, koordinasi, refleks, dan respon terhadap rasa sakit. Namun terkadang dibutuhkan pemeriksaan tambahan sepert audiometri, evaluasi hormon endokrin dalam urin dan darah, tes ketajaman pengelihatan, dan spinal tap.

  Langkah selanjutnya dilakukan pemeriksaan radiologis melalaui CT-Scan atau MRI (Magnetic Resonanse Imaging).

  2.2.1.1 Imaging Test Computed Tomography Computed Tomography (CT) Scan merupakan sebuah tes yang

  aman dan noninvasive yang menggunnakan pancaran sinar-X dan komputer untuk menghasilkan citra otak 2 dimensi (Mayfield Clinics, 2013). Alat ini dapat menghasilkan citra otak dalam potongan aksial. Potongan tersebut jumlahnya ditentukan dari kemampuan atau spesifikasi CT-Scan yang digunakan. Zat kontras terkadang diinjeksikan pada pasien dalam pemeriksaan radiologis alat ini agar meningkatkan kualitas citra dari organ yang ingin dilihat.

  2.2.1.2 Imaging Test Magnetic Resonance Imaging Magnetic Resonance Imaging (MRI) merupakan sebuah tes noninvasive yang memanfaatkan medan magnet dan gelombang radio

  unutk menghasikan citra jaringan otak secara detail (Mayfield

  Clinics,2013). Alat ini menghasilkan citra 3 dimensi dari potongan

  tubuh seperti Gambar 2.2. Zat kontras terkadang diperlukan untuk memperjelas citra organ tubuh yang ingin dilihat. MRI sangat berfungsi dalam evalusai lesi otak dan efeknya terhadap jaringan sekitar.

  Gambar 2.2Citra MRI dari Tumor Otak Benigna dan Maligna

  (Mayfield Clinics, 2013)

2.2.1.3 Biopsi (Biopsy)

  Hasil diagnosa pemeriksaan radiologis terkadang masih belum jelas dan tepat dalam menentukan jenis tumor otak sehingga diperlukan biopsi. Biopsi merupakan sebuah prosedur untuk mengambil sedikit bagian dari tumor untuk diperiksa oleh ahli patologis di bawah mikroskop (Mayfield Clinics, 2013).

  Biopsi dapat dilakukan saat operasi pengangkatan tumor atau sebagai prosedur diagnosa. Biopsi sebagai prosedur diagnosa dilakukan dengan pengambilan sebagian kecil jaringan tumor menggunakan jarum biopsi melalui lubang kecil yang dibuat pada tengkorak seperti pada Gambar 2.3

Gambar 2.3 Prosedur Biopsi (Mayfiled Clinics, 2013)

  2.2.2 Gambaran Radiologis Tumor Otak pada CT-Scan

  Pemeriksaan dengan CT-Scan di daerah kepala dengan maupun tanpa kontras, sangat membantu dalam diagnosa jenis tumor otak. Jaringan abnormal pada CT-Scan umumnya memiliki densitas atau kepadatan yang berbeda dengan jaringan normal.Massa yang berwarna lebih terang dari jarngan otak normal meruapakan hasil dari peningkatan penyerapan sinar- X disebut hiperdens (Claussen et al, 1982).Massa yang berwarna lebih gelap daripada jaringan otak normal karena penurunan serapan sinar-X disebut hipodens (Claussen et al, 1982).Massa yang memiliki warna sama dengan jaringan otak normal karena memiliki daya serap sinar-X yang sama dengan jaringan normal disebut isodens (Clausen et al, 1982) .

  Adanya massa pada citra otak CT-Scan menyebabkan peningkatan densitas jaringan akibat proliferasi sel tumor dan penurunan densitas jaringan akibat adanya edema (Claussen et al, 1982). Ventrikel otak perlu dicermati untuk mengetahui ada atau tidaknya perubahan posisi maupun pendesakan massa yang menyebabkan pergeseran struktur garis tengah otak, ventrikel ketiga, maupun pineal, dan perubahan posisi jaringan otak disekitarnya (Armstrong et al 1940).Citra CT-Scan tumor otak dan otak normal dapat dilihat pada Gambar2.4dan Gambar 2.5.

  Gambar 2.4Otak Normal pada Citra CT-Scan (Armstrong et al, 1940) Gambar 2.5Tumor Otak pada Citra CT-Scan (Claussen et al, 1982)

2.2.3 Jenis-Jenis Tumor Otak

  Tumor otak diberi nama sesuai dengan asal selnya tumbuh. Tumor otak dapat bersifat primer (sel berasal dari otak sendiri) dan sekunder (sel berasal dari penyebaran tumor di area lain).

2.2.3.1 Tumor Otak Primer

  Tumor otak primer merupakan pertumbuhan abnormal sel yang dimulai dari otakcdan biasanya tidak menyebar ke bagian tubuh yang lain (Mayfield Clinic, 2013). Tumor otak ini dapat bersifat benigna (jinak) dan maligna (ganas). Tumor benigna memiliki pertumbuhan sel yang lambat, memiliki batas yang jelas dan jarang menyebar. Walaupun tidak bersifat ganas, tumor ini mengandung sel jinak yang tumbuh tak terkendali di lokasi vital otak dan membahayakan nyawa pasien. Tumor maligna memiliki pertumbuhan sel yang cepat, memiliki batas yang tidak jelas serta menyebar ke area otak yang lain. Tumor ini terkadang disebut kanker otak, namun sebenarnya bukan karena tidak menyebar ke organ tubuh lain selain tulang belakang dan otak. Dalam penelitian ini dipilih jenis tumor otak primer meningioma dan schwannoma.

  Meningioma merupakan salah satu jenis tumor otak primer dan

  neoplasma ekstraksial yang paling sering terjadi. Namun sebenarnya

  meningioma tidak tumbuh dari jaringan otak itu sendiri, melainkan