Klasifikasi Citra Mammogram Dengan Metode Ekstraksi Ciri Zoning Menggunakan Ssvm
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Mammogram adalah hasil pemeriksaan payudara dengan sinar-x tujuannya untuk
mendeteksi perubahan yang terjadi pada payudara yang dapat mengungkapkan kelainan
seperti jinak atau ganas. Prosedur ini melibatkan kompresi payudara antara dua bagian
dan kemudian menerapkan dosis kecil radiasi untuk menghasilkan gambar x - ray.
Mammogram dapat menghasilkan dua dimensi, biasanya 8-bit skala citra abu-abu yang
diperoleh dari x-ray. Mammogram dapat digunakan untuk penyaringan dan diagnosis.
Diagnosis mammogram dilakukan untuk membantu mendeteksi kanker payudara jika
seorang wanita memiliki gejala, seperti benjolan yang dapat dirasakan di payudaranya
(Sundaram, et al 2014).
Kanker payudara merupakan salah satu kanker yang paling umum, yang
menyebabkan kematian di antara perempuan, khususnya di negara-negara maju.
Mamografi saat ini merupakan modalitas pencitraan yang paling efektif untuk
penyaringan kanker payudara. Mamografi adalah teknik pencitraan radiografi yang
digunakan untuk mendapatkan gambar payudara untuk tujuan diagnosis dan penyaringan
deteksi dini kanker dan gambar disebut mammogram yang diperoleh dengan
menggunakan tingkat radiasi dosis rendah antara interval tertentu.
Mamografi memainkan peran penting untuk mendeteksi kelainan pada payudara.
Mamografi
memberikan informasi rinci tentang anatom, morfologi dan patologi
payudara untuk penyaringan dan diagnosis kanker payudara. Ada kesulitan untuk
mendeteksi massa di mammogram karena kadang-kadang massa tampaknya mirip dengan
jaringan payudara normal pada mammogram. Sulit untuk membedakan antara ganas dan
jinak. Bentuk tidak teratur memiliki kemungkinan lebih tinggi untuk menjadi bentuk
Universitas Sumatera Utara
2
ganas dan teratur memiliki probabilitas menjadi jinak sehingga diperlukan metode yang
dapat mengklasifikasikan mammogram berdasarkan bentuk ganas dan bentuk jinak.
Dalam proses klasifikasi citra mammogram secara garis besar dipecah menjadi
beberapa tahap, yakni preprocessing, segmentasi, feature extraction, dan classification.
Tahap preprocessing merupakan bagian penghapusan noise yang tidak penting pada
sebuah citra. Segmentasi citra bertujuan untuk membagi wilayah-wilayah yang homogen
meliputi memperbaiki kualitas citra mammogram dengan cara mendeteksi garis kulit
untuk menghilangkan label pada citra mammogram,pada penelitian ini akan menyajikan
proses binerisasi saja. Proses binerisasi menghasilkan citra biner dengan memiliki dua
nilai tingkat keabuan yaitu hitam dan putih. Permasalahan utama dalam proses binerisasi
adalah menentukan nilai ambang (Threshold). Nilai ini digunakan untuk mempartisi citra
gray scale kedalam dua nilai yaitu hitam dan putih. Pada tulisan ini, penentuan nilai
ambang untuk proses binerisasi menggunakan metode Otsu.
Fitur ekstraksi adalah proses pengambilan nilai fitur tertentu untuk diamati ciriciri khusus dari karakter tersebut. Salah satu metode fitur ekstraksi adalah zoning. Zoning
dikenal sebagai metode ekstraksi ciri yang sederhana, zoning juga memiliki kelebihan
yaitu kompleksitasnya rendah dan memiliki perhitungan yang cepat dalam mengekstrak
suatu karakter.
Klasifikasi merupakan tahap pengenalan karakter, salah satu metode yang sangat
popular untuk klasifikasi data biner pada data mining adalah support vector machine
(SVM). SVM dapat diaplikasikan secara luas seperti pengenalan pola, analisis regresi, dan
estimasi probabilitas. SVM adalah suatu teknologi pembelajaran statistik yang dapat
menghasilkan performansi generalisasi terbaik. SVM diperkenalkan untuk pertama
kalinya oleh Vapnik pada tahun 1995 dan sangat berhasil melakukan prediksi, baik dalam
kasus klasifikasi maupun regresi. Metode ini berusaha untuk menemukan fungsi pemisah
optimal yang bisa memisahkan dua set data dari dua kelas atau disebut juga hyperplane
terbaik diantara fungsi yang tidak terbatas (Gunn, 1998).
Universitas Sumatera Utara
3
Lee dan Mangasarian, (2001) menyatakan bahwa SVM memanfaatkan optimasi
dengan quadratic programming yang apabila digunakan untuk data berdimensi tinggi dan
data dengan jumlah besar menjadi kurang efisien. Oleh karena itu para peneliti
mengembangkan smoothing technique untuk mengubah optimasi yang terbatas menjadi
optimasi yang tanpa batas menggunakan formulasi dari SVM standar. Teknik tersebut
adalah Smooth Support Vector Machine (SSVM) yang mampu mengkonversi quadratic
programming pada SVM menjadi linear programming dengan menggunakan algoritma
Newton-Armijo. Purnami, et al (2009) membandingkan metode Multiple Knot SplineSSVM (MKS-SSVM) dengan SSVM. Hasil yang diperoleh adalah Multiple Knot SplineSSVM (MKS-SSVM) memiliki kinerja yang lebih baik dari SSVM. Demikian juga ketika
diterapkan untuk diagnosa penyakit metode Multiple Knot Spline-SSVM (MKS-SSVM)
memiliki akurasi yang lebih baik dari SSVM.
Pada penelitian ini akan menggunakan ekstraksi ciri dengan metode zoning dan
klasifikasi akan memanfaatkan teknik SSVM (smooth support vector machine) untuk
mengklasifikasi nilai fitur citra mammogram yang telah melalui proses fitur ekstraksi
berdasarkan stadium jinak atau ganas. Untuk setiap data sampel yang telah melalui proses
prapengolahan citra akan dilakukan ekstraksi fitur.
1.2 Perumusan Masalah
Permasalahan dalam penelitian ini secara detail dirumuskan sebagai berikut :
Analisis terhadap citra mammografi seringkali salah dalam pembacaan citra atau diagnosa
citra dalam membedakan antara ganas dan jinak. Sehingga diperlukan cara atau metode
yang dapat mengklasifikasi citra ganas dan jinak.
1.3 Batasan Masalah
Dalam penelitian ini penulis melakukan beberapa batasan permasalahan, mengingat
waktu dalam penelitian sangat singkat. Maka disini penulis membatasi antara lain :
1. Citra yang akan diolah adalah citra mammogram yang tersedia pada situs
mammogram.
Universitas Sumatera Utara
4
2. Perancangan meliputi algoritma mulai dari pembacaan citra digital hingga
klasifikasi citra dalam kategori stadium jinak (benign) atau ganas (malignant).
3. Metode untuk menentukan nilai ambang (treshold) menggunakan metode Otsu.
1.4 Tujuan Penelitian
Tujuan yang ingin dicapai oleh peneliti adalah sebagai berikut :
1. Untuk mengklasifikasi penyakit breast cancer dari hasil citra mammogram.
2. Untuk menguji apakah metode SSVM memiliki kapabilitas dalam proses
klasifikasi citra mamogram.
1.5 Manfaat Penelitian
Manfaat yang diperoleh dari penelitian ini adalah sebagai berikut :
1. Membantu tenaga medis dalam melakukan diagnosa terhadap jenis breast cancer
yang diderita pasien secara cepat dan akurat.
2. Menambah variasi aplikasi diagnosa penyakit breast cancer.
3. Menjadi bahan perbandingan kepada peneliti yang fokus pada area Machine
Learning khususnya bidang kedokteran.
Universitas Sumatera Utara
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Mammogram adalah hasil pemeriksaan payudara dengan sinar-x tujuannya untuk
mendeteksi perubahan yang terjadi pada payudara yang dapat mengungkapkan kelainan
seperti jinak atau ganas. Prosedur ini melibatkan kompresi payudara antara dua bagian
dan kemudian menerapkan dosis kecil radiasi untuk menghasilkan gambar x - ray.
Mammogram dapat menghasilkan dua dimensi, biasanya 8-bit skala citra abu-abu yang
diperoleh dari x-ray. Mammogram dapat digunakan untuk penyaringan dan diagnosis.
Diagnosis mammogram dilakukan untuk membantu mendeteksi kanker payudara jika
seorang wanita memiliki gejala, seperti benjolan yang dapat dirasakan di payudaranya
(Sundaram, et al 2014).
Kanker payudara merupakan salah satu kanker yang paling umum, yang
menyebabkan kematian di antara perempuan, khususnya di negara-negara maju.
Mamografi saat ini merupakan modalitas pencitraan yang paling efektif untuk
penyaringan kanker payudara. Mamografi adalah teknik pencitraan radiografi yang
digunakan untuk mendapatkan gambar payudara untuk tujuan diagnosis dan penyaringan
deteksi dini kanker dan gambar disebut mammogram yang diperoleh dengan
menggunakan tingkat radiasi dosis rendah antara interval tertentu.
Mamografi memainkan peran penting untuk mendeteksi kelainan pada payudara.
Mamografi
memberikan informasi rinci tentang anatom, morfologi dan patologi
payudara untuk penyaringan dan diagnosis kanker payudara. Ada kesulitan untuk
mendeteksi massa di mammogram karena kadang-kadang massa tampaknya mirip dengan
jaringan payudara normal pada mammogram. Sulit untuk membedakan antara ganas dan
jinak. Bentuk tidak teratur memiliki kemungkinan lebih tinggi untuk menjadi bentuk
Universitas Sumatera Utara
2
ganas dan teratur memiliki probabilitas menjadi jinak sehingga diperlukan metode yang
dapat mengklasifikasikan mammogram berdasarkan bentuk ganas dan bentuk jinak.
Dalam proses klasifikasi citra mammogram secara garis besar dipecah menjadi
beberapa tahap, yakni preprocessing, segmentasi, feature extraction, dan classification.
Tahap preprocessing merupakan bagian penghapusan noise yang tidak penting pada
sebuah citra. Segmentasi citra bertujuan untuk membagi wilayah-wilayah yang homogen
meliputi memperbaiki kualitas citra mammogram dengan cara mendeteksi garis kulit
untuk menghilangkan label pada citra mammogram,pada penelitian ini akan menyajikan
proses binerisasi saja. Proses binerisasi menghasilkan citra biner dengan memiliki dua
nilai tingkat keabuan yaitu hitam dan putih. Permasalahan utama dalam proses binerisasi
adalah menentukan nilai ambang (Threshold). Nilai ini digunakan untuk mempartisi citra
gray scale kedalam dua nilai yaitu hitam dan putih. Pada tulisan ini, penentuan nilai
ambang untuk proses binerisasi menggunakan metode Otsu.
Fitur ekstraksi adalah proses pengambilan nilai fitur tertentu untuk diamati ciriciri khusus dari karakter tersebut. Salah satu metode fitur ekstraksi adalah zoning. Zoning
dikenal sebagai metode ekstraksi ciri yang sederhana, zoning juga memiliki kelebihan
yaitu kompleksitasnya rendah dan memiliki perhitungan yang cepat dalam mengekstrak
suatu karakter.
Klasifikasi merupakan tahap pengenalan karakter, salah satu metode yang sangat
popular untuk klasifikasi data biner pada data mining adalah support vector machine
(SVM). SVM dapat diaplikasikan secara luas seperti pengenalan pola, analisis regresi, dan
estimasi probabilitas. SVM adalah suatu teknologi pembelajaran statistik yang dapat
menghasilkan performansi generalisasi terbaik. SVM diperkenalkan untuk pertama
kalinya oleh Vapnik pada tahun 1995 dan sangat berhasil melakukan prediksi, baik dalam
kasus klasifikasi maupun regresi. Metode ini berusaha untuk menemukan fungsi pemisah
optimal yang bisa memisahkan dua set data dari dua kelas atau disebut juga hyperplane
terbaik diantara fungsi yang tidak terbatas (Gunn, 1998).
Universitas Sumatera Utara
3
Lee dan Mangasarian, (2001) menyatakan bahwa SVM memanfaatkan optimasi
dengan quadratic programming yang apabila digunakan untuk data berdimensi tinggi dan
data dengan jumlah besar menjadi kurang efisien. Oleh karena itu para peneliti
mengembangkan smoothing technique untuk mengubah optimasi yang terbatas menjadi
optimasi yang tanpa batas menggunakan formulasi dari SVM standar. Teknik tersebut
adalah Smooth Support Vector Machine (SSVM) yang mampu mengkonversi quadratic
programming pada SVM menjadi linear programming dengan menggunakan algoritma
Newton-Armijo. Purnami, et al (2009) membandingkan metode Multiple Knot SplineSSVM (MKS-SSVM) dengan SSVM. Hasil yang diperoleh adalah Multiple Knot SplineSSVM (MKS-SSVM) memiliki kinerja yang lebih baik dari SSVM. Demikian juga ketika
diterapkan untuk diagnosa penyakit metode Multiple Knot Spline-SSVM (MKS-SSVM)
memiliki akurasi yang lebih baik dari SSVM.
Pada penelitian ini akan menggunakan ekstraksi ciri dengan metode zoning dan
klasifikasi akan memanfaatkan teknik SSVM (smooth support vector machine) untuk
mengklasifikasi nilai fitur citra mammogram yang telah melalui proses fitur ekstraksi
berdasarkan stadium jinak atau ganas. Untuk setiap data sampel yang telah melalui proses
prapengolahan citra akan dilakukan ekstraksi fitur.
1.2 Perumusan Masalah
Permasalahan dalam penelitian ini secara detail dirumuskan sebagai berikut :
Analisis terhadap citra mammografi seringkali salah dalam pembacaan citra atau diagnosa
citra dalam membedakan antara ganas dan jinak. Sehingga diperlukan cara atau metode
yang dapat mengklasifikasi citra ganas dan jinak.
1.3 Batasan Masalah
Dalam penelitian ini penulis melakukan beberapa batasan permasalahan, mengingat
waktu dalam penelitian sangat singkat. Maka disini penulis membatasi antara lain :
1. Citra yang akan diolah adalah citra mammogram yang tersedia pada situs
mammogram.
Universitas Sumatera Utara
4
2. Perancangan meliputi algoritma mulai dari pembacaan citra digital hingga
klasifikasi citra dalam kategori stadium jinak (benign) atau ganas (malignant).
3. Metode untuk menentukan nilai ambang (treshold) menggunakan metode Otsu.
1.4 Tujuan Penelitian
Tujuan yang ingin dicapai oleh peneliti adalah sebagai berikut :
1. Untuk mengklasifikasi penyakit breast cancer dari hasil citra mammogram.
2. Untuk menguji apakah metode SSVM memiliki kapabilitas dalam proses
klasifikasi citra mamogram.
1.5 Manfaat Penelitian
Manfaat yang diperoleh dari penelitian ini adalah sebagai berikut :
1. Membantu tenaga medis dalam melakukan diagnosa terhadap jenis breast cancer
yang diderita pasien secara cepat dan akurat.
2. Menambah variasi aplikasi diagnosa penyakit breast cancer.
3. Menjadi bahan perbandingan kepada peneliti yang fokus pada area Machine
Learning khususnya bidang kedokteran.
Universitas Sumatera Utara