KLASIFIKASI STADIUM KANKER KOLOREKTAL BERDASARKAN …

KLASIFIKASI STADIUM KANKER KOLOREKTAL BERDASARKAN

CITRA COLONOSCOPY MENGGUNAKAN METODE

PROBABILISTIC NEURAL NETWORK

SKRIPSI

FIKWATER MARUBA SIMANJUNTAK

131402087

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2019


KLASIFIKASI STADIUM KANKER KOLOREKTAL BERDASARKAN

CITRA COLONOSCOPY MENGGUNAKAN METODE

PROBABILISTIC NEURAL NETWORK

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana

Teknologi Informasi


131402087

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI


MEDAN

2019


i


ii

PERNYATAAN

KLASIFIKASI STADIUM KANKER KOLOREKTAL BERDASARKAN CITRA

COLONOSCOPY MENGGUNAKAN METODE PROBABILISTIC NEURAL

NETWORK

SKRIPSI

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

kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, 22 Agustus 2019


131402087


iii

UCAPAN TERIMA KASIH

Puji dan syukur kehadirat Tuhan yang Maha Esa, karena atas berkat dan izin-Nya

penulis dapat menyelesaikan penyusunan skripsi ini, sebagai syarat untuk memperoleh

gelar Sarjana Komputer, pada Program Studi S1 Teknologi Informasi Fakultas Ilmu

Komputer dan Teknologi Informasi Universitas Sumatera Utara.

Ucapan terima kasih penulis sampaikan kepada:

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

Sumatera Utara.

2. Bapak Prof. Dr. Opim Salim Sitompul selaku Dekan Fasilkom-TI USU.

3. Bapak Romi Fadillah Rahmat B.Comp.Sc., M.Sc selaku Ketua Program Studi S1

Teknologi Informasi Universitas Sumatera Utara.

4. Bapak Dedy Arisandi, ST., M.Kom. selaku Dosen Pembimbing I dan Ibu Dr.

Erna Budhiarti Nababan, M.IT selaku Dosen Pembimbing II yang telah banyak

meluangkan waktu dan pikiran beliau, membimbing, memberikan arahan, kritik

dan saran kepada penulis.

5. Bapak Dr. Sawaluddin, M.IT selaku Dosen Pembanding I dan Ibu Ulfi

Andayani, S.Kom. M.Kom., selaku Dosen Pembanding II yang telah

memberikan kritik dan saran untuk penyempurnaan skripsi ini.

6. Seluruh dosen, staff dan pegawai di Program Studi Teknologi Informasi serta

Fakultas Ilmu Komputer dan Teknologi Informasi yang tidak dapat saya

sebutkan satu-persatu.

7. Rekan seperjuangan diangkatan 2013 Program Studi Teknologi Informasi yang

telah memberikan dukungan khususnya Yuni Butarbutar, Veronica Adelina,

Triana Rumapea, Jordan Tobing, Ony Naraulita Maringga dan Rahela Sitinjak.

8. Kakak Fretty Norita Simanjuntak dan orang tua yang telah memberikan

dukungan dan motivasi baik materil dan spiritual selama penulis mengikuti

pendidikan hingga berakhirnya penulisan tugas akhir ini.

9. Abang Frengki Simanjuntak dan Fransco Simanjuntak, Kakak Frince

Simanjuntak dan Flora Simanjuntak, dan Adik Fennike Simanjuntak yang selalu


iv

mengarahkan dan memberikan dukungan kepada penulis selama penulis

mengikuti pendidikan hingga berakhirnya penulisan tugas akhir ini.

10. Febri, Jelia, Aderia, Bang Anto, Bang Santo, dan Exa yang memberikan

semangat dan penghiburan kepada penulis.

11. Karina Sitanggang, Grace Siregar dan Mega Manurung yang memberikan

semangat dan penghiburan kepada penulis.

12. Semua pihak yang terlibat secara langsung ataupun tidak langsung yang tidak

dapat penulis ucapkan satu persatu yang telah membantu dalam penyelesaian

skripsi ini.

Semoga Tuhan yang Maha Esa melimpahkan berkah kepada semua pihak yang

telah memberikan bantuan, perhatian, serta dukungan kepada penulis dalam

menyelesaikan skripsi ini.

Medan, 22 Agustus 2019

Penulis


v

ABSTRAK

Kanker kolorektal merupakan kanker yang terjadi ketika sel-sel abnormal tumbuh

pada lapisan kolon dan rektum. Ada banyak cara untuk mendeteksi adanya kanker

kolorektal. Salah satunya dengan pemeriksan menggunakan colonoscopy. Apabila

pasien memiliki gejala kanker kolorektal maka dilakukan proses biopsi untuk

mengetahui penyebaran dan stadium kanker untuk dipergunakan sebagai acuan dalam

pengobatannya. Proses ini memerlukan waktu yang lama sehingga diperlukan sebuah

sistem berbasis pengolahan citra untuk membantu pakar dalam mengklasifikasi

stadium kanker kolorektal. Pada penelitian ini digunakan model Probabilistic Neural

Network (PNN) untuk klasifikasi stadium kanker kolorektal. Penelitian ini bertujuan

untuk menjelaskan prosedur dan tingkat keakuratan pemodelan PNN pada klasifikasi

stadium kanker kolorektal dari citra colonoscopy. Proses terdiri dari input citra dimana

citra yang digunakan adalah citra colonoscopy. Kemudian memasuki tahap

preprocessing yang terdiri dari scaling, grayscaling, CLAHE, morphological close,

background substaction, tresholding dan conneted component analysis. Kemudian

tahap ekstraksi ciri menggunakan invariant moment, dan pada tahap akhir dilakukan

proses klasifikasi menggunakan metode Probabilistic Neural Network. Setelah

pengujian dilakukan, diperoleh kesimpulan bahwa metode yang diajukan memiliki

kemampuan dalam mengklasifikasi stadium kanker kolorektal terhadap 43 data uji

dengan akurasi sebesar 93.03%.

Kata kunci: Kanker Kolorektal, Invariant Moment, Probabilistic Neural Network.


vi

CLASSIFICATION OF COLORECTAL CANCER STAGE THROUGH

COLONOSCOPY IMAGE USING PROBABILISTIC NEURAL NETWORK

ABSTRACT

Colorectal cancer is a cancer that occurs when abnormal cells grow in the lining of the

colon and rectum. There are many ways to detect colorectal cancer. One of them is by

checking usin colonoscopy. If the patient has symtomps of colorectal cancer, a biopsy

is done to determine the spread and stage of the cancer to be used as a reference in its

treatment. This Process takes a long time, so an image processing system is needed to

help experts classify the stage of colorectal cancer. In this study the Probabilistic

Neural Network (PNN) model was used for the classification of colorectal cancer

stage. This study aimed to explain the procedure and accuracy of PNN modeling in

colorectal cancer stage classification from a colonoscopy image. The process consists

of image input where the image used is colonoscopy image. Then enter the

preprocessing stage which consists of scaling, grayscaleing, CLAHE, morphological

close, background substraction, tresholding and connected component analysis. Then

the feature extraction stage using invariant moments, and in the finale stage the

classification process is carried out using the Probabilistic Neural Network method.

After the testing done, it was concluded that the proposed method has the ability to

classify colorectal cancer stage of 43 testing datasets with 93.03% accuracy.

Keywords: Colorectal Cancer, Invariant Moment, Probabilistic Neural Network.


vii

DAFTAR ISI

PERSETUJUAN Error! Bookmark not defined.

PERNYATAAN ii

UCAPAN TERIMA KASIH iii

ABSTRAK v

ABSTRACT vi

DAFTAR ISI vii

DAFTAR TABEL x

DAFTAR GAMBAR xi

BAB 1 PENDAHULUAN 1

1.1. Latar Belakang 4

1.2. Rumusan Masalah 4

1.3. Batasan Masalah 4

1.4. Tujuan Penelitian 4

1.5. Manfaat Penelitian 4

1.6. Metodologi Penelitian 5

1.7. Sistematika Penulisan 6

BAB 2 LANDASAN TEORI 7

2.1. Kanker Kolorektal 7

2.1.1. Penyebab dan Gejala Umum Kanker Kolorektal 8

2.1.2. Deteksi Dini 9

2.1.3. Klasifikasi Stadium Kanker Kolorektal 10

2.2. Pengenalan Dasar Citra 13

2.2.1. Citra Warna 13

2.2.1. Citra Grayscale 13

2.3. Pengolahan Citra 14

2.3.1. Scaling 15

2.3.2. Grayscaling 15

2.3.3. Contrast Limited Adaptive Histogram Equalization 16

2.3.4. Morphological Close 18


viii

2.3.5. Background Substraction 19

2.3.6. Tresholding 19

2.3.7. Connected Component Analysis 20

2.4. Ekstaksi Ciri 20

2.5. Jaringan Saraf Tiruan 23

2.6. Probabilistic Neural Network 24

2.7. Penelitian Terdahulu 26

BAB 3 ANALISIS DAN PERANCANGAN SISTEM 30

3.1. Arsitektur Umum 30

3.1.1. Input Data 32

3.1.2. Scaling 32

3.1.3. Grayscaling 32

3.1.4. Contrast limited adaptive histogram equalization (CLAHE) 33

3.1.5. Morphological Close 34

3.1.6. Background Substraction 34

3.1.7. Tresholding 34

3.1.8. Connected Component Analysis 35

3.2. Feature Extraction 36

3.3. Klasifikasi 38

3.4. Perancangan Sitem 42

3.4.1. Struktur Menu 42

3.4.2. Perancangan Tampilan Antarmuka Sistem 42

BAB 4 IMPLEMENTASI DAN PENGUJIAN 45

4.1. Implementasi Sistem 45

4.1.1.Perangkat Keras dan Perangkat Lunak 45

4.1.2.Implementasi Perancangan Antarmuka 45

4.1.3.Implementasi Data 46

4.2. Prosedur Operasional 46

4.3. Pengujian Sistem 51

4.4. Analisis Precision dan Recall 57

BAB 5 KESIMPULAN DAN SARAN 59

5.1. Kesimpulan 59


ix

5.2. Saran 59

DAFTAR PUSTAKA 60


x

DAFTAR TABEL

Tabel 2.1. Model 4-Konektivitas 20

Tabel 2.2. Model 8-Konektivitas 20

Tabel 2.3. Penelitian Terdahulu 28

Tabel 3.1. Hasil Perhitungan Nilai Moment 36

Tabel 3.2. Hasil Perhitungan Nilai Moment Pusat 36

Tabel 3.3. Nilai Kedekatan Jarak Data Uji Terhadap Sampel Data Latih 39

Tabel 3.4. Nilai Probabilistik untuk Setiap Stadium 41

Tabel 4.1. Pembagian Data Latih dan Data Uji 46

Tabel 4.2. Data Hasil Pengujian 51

Tabel 4.3. Hasil Precision dan Recall Tiap Kategori 57


xi

DAFTAR GAMBAR

Gambar 2.1. Penyebaran Kanker Kolorektal 10

Gambar 2.2. Citra Colonoscopy Kanker Kolorektal Stadium 0 11





Gambar 2.7. Koordinat Citra Digital 14

Gambar 2.8. Struktur Sebuah Sel Saraf (Neuron) 23

Gambar 2.9. Arsitektur Probabilistic Neural Network 25

Gambar 3.1. Arsitektur Umum 31

Gambar 3.2. Citra Hasil Scaling 32

Gambar 3.3. Citra Grayscale 33

Gambar 3.4. Citra Hasil CLAHE 33

Gambar 3.5. Citra Hasil Morphologycal Close 34

Gambar 3.6. Citra Hasil Substraction 34

Gambar 3.7.Nilai Treshold Citra 9 Piksel 35

Gambar 3.8. Citra Hasil Tresholding 35

Gambar 3.9. Citra Hasil Connected Component Analysis 35

Gambar 3.10. Proses Pengujian Metode PNN 41

Gambar 3.11. Struktur Menu Aplikasi 42

Gambar 3.12. Rancangan Halaman Awal 43

Gambar 3.13. Rancangan Halaman Main Program 44

Gambar 3.14. Rancangan Halaman Training 44

Gambar 4.1. Tampilan Halaman Awal 46

Gambar 4.2. Tampilan Halaman Main Program 47

Gambar 4.3. Tampilan halaman Training 48

Gambar 4.4. Tampilan Upload Data Training 48

Gambar 4.5. Tampilan Proses Data Latih Selesai 49

Gambar 4.6. Tampilan Upload Citra yang akan Diuji 49

Gambar 4.7. Tampilan Citra yang akan Diuji 50


xii

Gambar 4.8. Tampilan Hasil Proses Pengujian Citra 50


BAB 1

PENDAHULUAN

Bab ini membahas tentang hal-hal yang berkaitan dengan pembuatan tugas akhir. Bab

ini dibagi menjadi beberapa bagian yaitu latar belakang, rumusan masalah, batasan

masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika

penulisan.

1.1 Latar Belakang

Colon dan rectum adalah bagian dari usus besar pada sistem pencernaan yang disebut

juga traktus gastrointestinal yang berfungsi sebagai penghasil energi bagi tubuh dan

membuang zat-zat yang tidak berguna. Kolon berfungsi untuk menyerap air dan

garam, kemudian sisa makanan bermuara direktum sebelum dikeluarkan melalui anus.

Bagian ini tidak dapat melakukan fungsinya dengan baik apabila mengalami gangguan

ataupun kelainan, salah satunya adalah kanker kolorektal. Kanker kolorektal

merupakan kanker yang terjadi ketika sel-sel abnormal tumbuh pada lapisan kolon dan

rektum. Di Amerika Serikat, kanker kolorektal merupakan penyebab ketiga dari

semua kematian akibat kanker, baik pada pria maupun wanita (Haggar & Boushey,

2009). Berdasarkan survei GLOBOCAN tahun 2012, insidens kanker kolorektal

(KKR) di seluruh dunia menempati urutan ketiga berkisar 1360 dari 100.000

penduduk (9,7%), keseluruhan laki-laki dan perempuan dan menduduki peringkat

keempat sebagai penyebab kematian berkisar 694 dari 100.000 penduduk (8,5%),

keseluruhan laki-laki dan perempuan (Komisi Penanggulangan Kanker Nasional).

Berdasarkan data Rumah Sakit Kanker Dharmais tahun 2010, kanker kolorektal

masuk dalam 10 besar kanker tersering dimana kanker rektum menempati urutan

keenam dan kanker kolon menempati urutan kedelapan. Bahkan menurut data World

Health Organization (WHO) tahun 2015, terhitung ada 8,8juta kematian akibat kanker

dan kanker kolorektal sendiri menempati posisi ketiga dengan 774.000 kematian.


2

Kanker kolorektal memiliki gejala seperti nyeri pada perut, darah pada feses,

kelelahan, anemia, selera makan menurun, dan berat badan berkurang drastis. Setelah

diketahui salah satu tanda-tanda tersebut, salah satunya pendarahan pada feses maka

pasien sebaiknya segera melakukan pemeriksaan untuk mendeteksi dari mana sumber

darah tersebut berasal, rektum, kolon, atau bagian lainnya karena adanya darah pada

feses dapat juga disebabkan oleh penyakit lain yang bukan kanker kolorektal. Hal

inilah yang membuat banyak pasien kanker kolorektal tidak menyadari bahwa dirinya

terkena penyakit kaker kolorektal, pasien datang ke rumah sakit setelah dalam

keadaan stadium lanjut dan mengakibatkan upaya pengobatan menjadi sulit dilakukan

(Rahmawati, 2016).

Salah satu pengobatan yang dapat dilakukan adalah dengan kemoterapi tetapi

pengobatan tersebut belum tentu berhasil jika kanker telah mencapai stadium akhir.

Kanker kolorektal dapat bersifat mematikan ketika diagnosa dan perawatan yang

diberikan sudah terlambat. Kanker kolorektal yang diobati sejak stadium dini dapat

menurunkan angka kematian. Jadi, resiko kematian akibat kanker kolorektal dapat

diminimalkan dengan deteksi sejak dini, sehingga deteksi dini perlu dilakukan untuk

mencegah dampak buruk yang bisa terjadi. Kanker kolorektal diklasifikasikan

kedalam beberapa tingkatan atau yang lebih sering kita dengar dengan stadium.

Pengklasifikasian kanker kolorektal diperlukan untuk selanjutnya

dipergunakan sebagai acuan bagi tenaga medis dalam proses diagnosa dan

penyembuhan bagi penderitanya. Saat ini pengklasifikasiaan stadium kanker

kolorektal dilakukan secara manual dengan pemeriksaan fisis, pemeriksaan imaging,

dan biopsi, yaitu darah atau sampel jaringan diletakkan diatas preparat kemudian

dilihat menggunakan mikroskop. Hasil diagnosa tentunya sangat berhubungan dengan

kualitas penglihatan tenaga medis dan membutuhkan waktu yang cukup lama

sehingga sangat mempengaruhi hasil diagnosa dan penyembuhannya.

Seiring perkembangan teknologi yang semakin pesat, pengklasifikasian

stadium kanker kolorektal dapat dilakukan melalui analisis pencitraan. Berdasarkan

gambar yang diinput, maka diperoleh informasi dari gambar setelah melalui proses

pengolahan citra. Dalam beberapa tahun terakhir sudah ada penelitian untuk

mengklasifikasikan kanker kolorektal. Penelitian sebelumnya dilakukan oleh Reni

Setianingrum pada tahun 2014 dalam “Klasifikasi Stadium Kanker Kolorektal

Menggunakan Model Recurrent Neural Network”. Pengekstrakan gambar dengan


3

Gray Level Co-Occurrence Matrix (GLCM) dan pengklasifikasian menggunakan

pemodelan Recurrent Neural Network (RNN) terhadap 74 data training didapat 92%

tingkat akuransi, 96% tingkat sensitivitas dan 79% tingkat spesifisitas, sedangkan

pada 18 data testing menunjukkan 94% tingkat akuransi 100% tingkat sensitivitas,

80% tingkat spesifisitas.

Pada penelitian kali ini, penulis menggunakan metode Probabilistic Neural

Network (PNN) untuk mengklasifikasi stadium kanker kolorektal melalui citra

colonoscopy hasil pemeriksaan terhadap kolon dan rektum. Probabilistic Neural

Network (PNN) adalah sebuah metode jaringan syaraf tiruan yang menggunakan

prinsip dari teori statistik yaitu Bayesian Classification untuk menggantikan prinsip

heuristik yang digunakan oleh algoritma Backpropagation (Specht, 1990). Karena

itulah PNN biasa digunakan untuk melakukan pattern classification (Fausett, 1994).

Probabilistic Neural Network (PNN) merupakan implementasi dari algoritma statistik

yang disebut kernel discriminant analysis dimana operasi tersebut disusun dalam

jaringan feedforward berlapis. Probabilistic neural network memiliki beberapa

keuntungan yaitu proses pelatihan yang lebih cepat dari backpropagation, jumlah data

pelatihan yang digunakan tidak perlu sebanyak jaringan syaraf lain, dan data pelatihan

dapat dengan mudah ditambahkan dan dikurangi tanpa memerlukan pelatihan ulang.

PNN belajar lebih cepat dari pada banyak model jaringan syaraf tiruan dan telah

sukses dibeberapa aplikasi. Berdasarkan fakta tersebut, PNN dapat dilihat sebagai

supervised neural network yang mampu digunakan dalam masalah klasifikasi dan

pengenalan pola (Mishra, 2013).

Penelitian menggunakan PNN sudah pernah dilakukan sebelumnya oleh

Nelam Mariani Nasution tahun 2017 untuk menentukan payudara normal, tumor jinak,

atau tumor ganas. Penelitian ini diterapkan dalam bidang image processing dan

dataset yang digunakan didapat dari Mammographic Image Analysis Society (MIAS).

Pada tahap preprocessing terdiri dari proses contrast limited adaptive histogram

equalization, morphological black hat, morphological elipse, dan background

exclusion. Kemudian pada tahap segmentasi dilakukan tahap thresholding. Metode

invariant moments digunakan dalam ekstraksi ciri dan metode PNN untuk tahap

klasifikasi dan diperoleh akurasi mencapai 90%.

Berdasarkan persoalan yang dipaparkan di atas, maka dibuatlah sebuah

perangkat lunak untuk mengklasifikasi stadium kanker kolorektal. Oleh karena itu


4

penulis melakukan penelitian dengan judul “Klasifikasi Stadium Kanker Kolorektal

Berdasarkan Citra Colonoscopy Menggunakan Metode Probabilistic Neural

Network”.

1.2 Rumusan Masalah

Pendiagnosaan stadium kanker kolorektal umumnya dilakukan secara manual, yaitu

darah atau sampel jaringan diteliti di laboratorium oleh dokter ahli patologi. Dengan

cara ini tentu hasil diagnosa sangat berhubungan dengan kualitas penglihatan tenaga

medis serta mengkonsumsi waktu yang cukup lama. Oleh karena itu, diperlukan suatu

metode komputasi untuk membantu dalam melakukan klasifikasi kanker kolorektal

kedalam stadium 0,1,2,3, atau 4.

1.3 Batasan Masalah

Dalam hal untuk mencapai tujuan sebuah sistem yang dikembangkan

maka diperlukan adanya batasan masalah sebagai berikut:

1. Data yang diolah berasal dari citra colonoscopy .

2. Citra yang digunakan adalah citra format .jpg

3. Data yang diolah berasal dari:

a. Vision and Image Analysis Group, Cornel University

b. Endoskopi Atlas, Albertinen-Krankenhaus

c. The Cancer Image Archive (TCIA) public Access

4. Klasifikasi dibagi menjadi lima, kanker kolorektal stadium 0,1,2,3, dan 4

1.4 Tujuan penelitian

Berdasarkan latar belakang yang telah diuraikan, maka tujuan dari Tugas Akhir ini

adalah mengklasifikasikan citra colonoscopy kedalam kanker kolorektal stadium

0,1,2,3, atau 4 dengan menggunakan metode Probabilistic Neural Network(PNN).

1.5 Manfaat Penelitian

Manfaat dari penelitian ini adalah:

1. Membantu user (dokter/para medis) dalam memberikan diagnosa stadium

kanker kolorektal berdasarkan citra colonscopy.


5

2. Dapat menjadi bahan pembelajaran untuk pembaca dan menjadi referensi

untuk penelitian selanjutnya dalam bidang biomedical, image processing,

dan Probabilistic Neural Network (PNN).

1.6 Metodologi Penelitian

Tahapan-tahapan yang dilakukan dalam penelitian ini adalah sebagai berikut:

1.6.1 Studi Literatur

Mengumpulkan dan mempelajari literatur dan referensi yang dapat menunjang

penelitian. Yang diperoleh dari buku, skripsi, jurnal, dan berbagai sumber

informasi lainnya. Informasi-informasi yang diperoleh seperti kanker

kolorektal, scaling, grayscaling, CLAHE, morphological close, background

substaction, tresholding, conneted component analysis, ekstraksi fitur

invariant moment, dan Probabilistic Neural Network (PNN).

1.6.2 Analisis Permasalahan

Pada tahap ini dilakukan analisis permasalahan dari informasi yang didapat

pada tahapan sebelumnya untuk mendapatkan pemahaman tentang metode

Probabilistic Neural Network (PNN) dalam menyelesaikan permasalahan

yaitu mengklasifikasi stadium kanker kolorektal berdasarkan citra

colonoscopy.

1.6.3. Perancangan Sistem

Berdasarkan hasil analisis permasalahan, pada tahap ini dilakukan

perancangan sistem berupa perancangan arsitektur dan antarmuka sistem. Data

yang telah dikumpulkan akan dilatih sebagai data pelatihan (training dataset)

dan untuk pengujian menggunakan data uji (testing dataset).

1.6.4 Implementasi

Pada tahap ini dilakukan implementasi berdasarkan analisis yang telah

dilakukan dalam bentuk pembuatan program sesuai dengan perancangan yang

telah dilakukan sebelumnya.

1.6.5 Pengujian

Tahap selanjutnya yaitu melakukan pengujian terhadap sistem yang telah

dibangun untuk menguji seberapa mampu metode Probabilistic Neural


6

Network (PNN) dalam mengklasifikasi stadium kanker kolorektal dan

memastikan hasil yang diperoleh sesuai dengan yang diharapkan.

1.6.6 Penyusunan Laporan

Pada tahap akhir ini dilakukan penulisan laporan dari keseluruhan penelitian

yang telah dilakukan.

1.7 Sistematika Penulisan

Sistematika penulisan dari skripsi ini terdiri dari lima bagian utama sebagai berikut:

Bab 1: Pendahuluan

Bab ini terdiri dari latar belakang, rumusan masalah, batasan masalah, tujuan

penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.

Bab 2: Landasan Teori

Bab ini terdiri dari teori-teori yang digunakan dan berhubungan dalam permasalahan

yang dibahas pada penelitian ini.

Bab 3: Analisis dan Perancangan Sistem

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

penerapannya dalam pembuatan sistem untuk mengklasifikasi stadium kanker

kolorektal.

Bab 4: Implementasi dan Pengujian Sistem

Bab ini berisi tentang implementasi dari analisis dan perancangan yang telah

dilakukan dan pengujian terhadap hasil yang diperoleh apakah sesuai dengan yang

diharapkan.

Bab 5: Kesimpulan Dan Saran

Bab ini berisi kesimpulan dari keseluruhan penelitian yang telah di uraikan pada bab-

bab sebelumnya serta saran-saran yang diajukan untuk pengembangan dan penelitian

selanjutnya.


BAB 2

LANDASAN TEORI

Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang

berhubungan dengan penerapan metode Probabilistic Neural Network (PNN) untuk

mengklasifikasikan kanker kolorektal kedalam stadium 0, 1, 2, 3, atau 4.

2.1 Kanker Kolorektal

Kanker adalah sel tubuh yang mengalami perubahan (transformasi) sehingga bentuk,

sifat dan kinetiknya berubah, tumbuhnya menjadi autonom, liar, tidak terkendali dan

terlepas dari koordinasi pertumbuhan normal dan bersifat ganas. (Maliya, 2004).

Kanker kolorektal ditujukan pada tumor ganas yang ditemukan di kolon dan rektum.

Kolon dan rektum adalah bagian dari usus besar pada sistem pencernaan yang disebut

juga traktus gastrointestinal. Kanker kolorektal adalah jaringan kolon dan rektum

penderita yang telah mengalami transformasi sehingga bentuk, sifat dan kinetiknya

berubah, tumbuhnya menjadi autonom, liar, dan bersifat ganas.

Kanker kolorektal (colo-rectal carcinoma) atau disebut kanker usus besar

adalah kanker yang terjadi ketika sel-sel abnormal tumbuh pada lapisan kolon atau

rektum. Gejala adanya kanker pada kolon biasanya ditandai dengan adanya polip yang

memiliki resiko kanker. Sekitar 96% penyebab kanker kolerektal adalah

adenocarcinoma yang berkembang dari jaringan kelenjar (Alteri, et al, 2011).

Menurut American Cancer Society, jumlah kasus baru kanker kolorektal di Amerika

Serikat pada tahun 2016 sekitar 95.270 penderita kanker kolon dan 39.220 penderita

kanker rektum. Kurang optimalnya penatalaksanaan medis pada kanker usus akan

berdampak pada jangka panjang yaitu kekambuhan yang lebih parah. Bahkan sel-sel

kanker akan berkembang ke bagian yang lebih luas.


8

2.1.1. Penyebab dan Gejala Umum Kanker Kolorektal

Penyebab pasti kanker kolorektal belum diketahui. Beberapa ahli tidak dapat

menjelaskan, mengapa beberapa orang mengidap penyakit kanker kolorektal dan

lainnya tidak, tetapi penyakit kanker kolorektal tidak menular. Penelitian

menunjukkan bahwa orang yang memiliki resiko tertentu terserang kanker kolorektal.

Penyebab kanker Usus atau kolorektal menurut St. Stamford Modern Cancer Hospital

Guangzhou:

a. Faktor makanan: makanan berprotein tinggi, lemak tinggi dan diet rendah

serat, dapat meningkatkan resiko terkena kanker usus besar.

b. Faktor genetik: bila salah satu dari anggota keluarga pernah terkena kanker

usus besar, generasi berikutnya mempunyai kemungkinan lebih tinggi dari

rata-rata.

c. Polip: polip usus besar tumbuh di dinding bagian dalam usus besar atau rektum

dan rentan terhadap berbagai stimulus, bisa berubah menjadi kanker.

d. Penyakit Crohn atau kolitis ulseratif: seorang yang berpenyakit crohn atau

kolitis ulseratif, beresiko 30x lebih tinggi dari orang biasa untuk menderita

kanker usus besar.

Gejala umum dari kanker kolorektal ditandai oleh perubahan kebiasaan buang

air besar. Gejala tersebut meliputi (Alteri, et al, 2011):

a. Diare atau sembelit.

b. Merasa bahwa usus tidak kosong.

c. Ditemukannya darah (baik merah terang atau sangat gelap) di feses.

d. Feses yang dikeluarkan lebih sedikit dari biasanya.

e. Sering mengalami sakit perut, kram perut, atau perasaan penuh atau kembung.

f. Kehilangan berat badan tanpa alasan yang diketahui.

g. Merasa sangat lelah sepanjang waktu.

h. Mual atau muntah.

Gejala-gejala ini biasanya bukan merupakan gejala kanker pada umumnya,

tetapi merupakan gejala penyakit lainnya dan biasa dirasakan oleh manusia. Jika

terdapat seseorang merasakan gejala ini, seharusnya diperlukan diagnosa dokter

supaya dapat ditangani sedini mungkin, karena biasanya kanker dini tidak

menimbulkan rasa sakit.


9

2.1.2. Deteksi Dini

Deteksi dini penyakit kanker kolorektal sangat diperlukan. Semakin cepat deteksi itu

dilakukan, maka semakin cepat dokter melakukan tindakan. Pasien dengan sangkaan

kanker kolorektal dapat dilakukan prosedur diagnostik lanjut untuk pemeriksaan fisik,

test laboratorium, radiograpi dan biopsi untuk memastikan. Terdapat berbagai macam

cara untuk mendeteksi kanker kolorektal pada pasien, diantaranya (American Cancer

Society, 2011):

a. Screening

Screening kanker kolorektal adalah proses mencari sel kanker atau pra-kanker

pada orang yang tidak memiliki gejala penyakit. Dari waktu sel-sel abnormal

pertama mulai tumbuh menjadi polip, biasanya membutuhkan waktu sekitar 10

sampai 15 tahun polip tersebut berkembang menjadi kanker kolorektal.

Screening yang dilakukan secara rutin dapat mencegah kanker kolorektal. Hal

ini dikarenakan polip yang ditemukan dapat disembuhkan dan dihilangkan

sebelum berubah menjadi sel kanker.

b. Flekxible Sigmoidoscopy

Proses ini dilakukan dengan melihat salah satu bagian dari usus besar dan

rektum dengan sigmoidoscopy fleksibel, alat ini memiliki lampu pada tabung

yang berukuran setebal jari dengan kamera kecil pada ujung alat. Alat ini

dimasukkan melalui rektum dan bagian bawah usus besar.

c. Double Contrast Barium Enema (DCBE)

Pendeteksi kanker menggunakan DCBE ini menggunakan barium dengan

kontras udara. Barium sulfat merupakan cairan berkapur dan udara digunakan

untuk menguraikan bagian dalam usus besar dan rektum untuk mencari daerah

yang mengandung sel abnormal.

d. Ct-Scan (Virtual Colonoscopy)

CT-scan adalah sinar X yang menghasilkan gambar penampang rinci tubuh.

Jika pada sinar CX, gambar yang diambil hanya satu arah. Pada CT-scan

terdapat banyak gambar yang dapat diambil dari berbagai arah.

e. Colonoscopy

Colonoscopy dapat melihat seluruh panjang usus besar dan rektum.

Colonoscope beruapa alat yang dimasukkan melalui rektum ke dalam usus


10

besar. Colonoscope memeiliki kamera video di ujung yang terhubung ke

display sehingga dokter dapat melihat dan meneliti bagian dalam usus besar.

f. Tes Darah Tinja

Tes ini untuk mencari darah samar (darah yang tidak dapat dilihat dengan mata

telanjang) dalam tinja. Test ini dilakukan karena jika seseorang terkena polip

atau kanker kolorektal maka pembuluh darah di permukaan sering rapuh dan

mudah rusak oleh berlalunya feses.

g. Carcinoembryonic Antigen (CEA)

CEA adalah zat yang ditemukan dalam darah beberapa orang yang sudah

terkena kanker kolorektal. CEA digunakan untuk mengetahui perkembangan

penyakit sebelum pengobatan dimulai.

2.1.3. Klasifikasi Stadium Kanker Kolorektal

Kanker tumbuh di usus besar melalui lapisan dan menembus lapisan dinding usus

besar atau rektum. Kanker yang telah menembus dinding juga dapat menembus darah

atau kelenjar getah bening (lymph node), yang merupakan saluran tipis. Pada

umumnya, sel-sel kanker pertama kali menyebar ke kelenjar getah bening di dekat sel

kanker tersebut, kelenjar getah bening memiliki struktur seperti kacang yang

membantu melawan infeksi. Sel-sel kanker itu dapat dibawa oleh pembuluh darah

(blood vessel) ke hati, paru-paru, rongga perut, atau ovarium. Proses dimana sel-sel

kanker menyebar ke organ lain melalui pembuluh darah disebut metastasis (Alteri, et

al, 2011). Berikut adalah gambar 2.1 mengenai penyebaran kanker kolorektal.

Gambar 2.1. Penyebaran Kanker Kolorektal

(Sumber: American Cancer Society: Colorectal Cancer Facts & Figures 2017-

2019)


11

Klasifikasi adalah pengelompokkan benda secara logis menurut ciri-ciri

kesamaannya (Prytherch, 2005). Sedangkan klasifikasi penyakit dapat didefinisikan

sebagai suatu sistem yang mengkategorikan tingkat keganasan penyakit dalam

beberapa kriteria yang ditetapkan (WHO, 1977).

Klasifikasi pentahapan kanker digunakan untuk menentukan luas atau ekstensi

kanker dan nilai prognostik pasien. Sistem yang paling banyak digunakan adalah

sistem TNM American Joint Committee on Cancer (AJCC) 2010 (Komisi

Penanggulangan Kanker Nasional). Klasifikasi diperoleh dari proses staging. Staging

adalah proses untuk menentukan keberadaan dan perkembangan suatu kanker dalam

tubuh. Terdapat 3 macam staging kanker, yakni (Widiawaty, 2016):

a. Staging klinis: untuk menentukan kanker berdasarkan pemeriksaan fisis,

pemeriksaan imaging dan biopsi.

b. Staging patologik: hanya dilakukan pada pasien yang menjalani pembedahan

untuk mengangkat tumor atau mengeksplorasi perluasan kanker. Tipe staging

ini merupakan kombinasi hasil staging klinis dan pembedahan.

c. Restaging: untuk menentukan perluasan kanker yang rekuren setelah

pengobatan.

Klasifikasi stadium kanker kolorektal yaitu mengelompokkan kanker

kolorektal ke dalam stadium yang tepat, berdasarkan ciri-ciri tertentu. Ciri-ciri itu

dapat berupa kedalaman invasi sel kanker pada dinding usus besar, tingkat penyebaran

pada kelenjar getah bening, dan adanya metastasis, yang diperoleh dari hasil

colonoscopy baik pada pasien kanker kolorektal maupun bukan pasien kanker

kolorektal. Stadium kanker kolorektal dimulai dari angka 0, berbeda dengan kanker

lainnya yang dimulai dari stadium 1. Klasifikasi stadium kanker kolorektal dapat

didefenisikan sebagai berikut (National Comprehensive Cancer Network, 2017):

a. Stadium 0

Gambar 2.2. Citra colonoscopy kanker kolorektal stadium 0

(Sumber: Endoskopi Atlas, Albertinen-Krankenhaus)


12

Dalam tahap 0 dikenal juga dengan karsinoma. Penyakit kanker kolorektal

pada stadium 0, kanker hanya berada didalam lapisan usus besar atau direktum

saja. Treatmen lebih lanjut tidak dibutuhkan jika kanker sudah diangkat pada

proses endoskopi polipektomi.

b. Stadium 1



Kanker telah berkembang ke lapisan kedua atau ketiga dinding usus. Namaun

belum menyebar ke lapisan luar dinding usus.

c. Stadium 2



Kanker telah berkembang ke lapisan keempat atau lapisan lapisan terluar usus

dan telah menyebar kelenjar getah bening.

d. Stadium 3




13

Kanker telah memasuki tahap lanjut. Sel kanker telah menyebar ke jaringan

terdekat usus besar dan rektum

e. Stadium 4



Kanker telah memasuki tahap akut. Penyebaran telah sampai ke organ-organ

vital didalam tubuh misalnya hati, paru-paru, dan juga ovarium atau indung

telur.

2.2 Pengenalan Dasar Citra

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

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

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

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

dibentuk oleh sejumlah elemen yang disebut sebagai piksel dimana setiap piksel

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

2.2.1. Citra Warna

Pada setiap citra warna memiliki pixel untuk mewakili warna yang merupakan

kombinasi dari tiga warna dasar yaitu RGB (Red Green Blue). 1 pixel warna diwakili

oleh 3 byte yang setiap byte-nya mempresentasikan warna merah (Red), hijau (Green)

dan biru (Blue). Setiap warna dasar memerlukan tempat penyimpanan 8 bit = 1 byte

atau sama dengan gradasi warna sebanyak 255 warna yang berarti setiap pixel

mempunyai 224 = 16 juta warna lebih (Sutoyo, 2009).

2.2.2. Citra Grayscale

Citra grayscale merupakan citra digital yang hanya memiliki satu nilai kanal pada

setiap pikselnya, dengan kata lain nilai bagian RED = GREEN = BLUE. Nilai tersebut


14

digunakan untuk menunjukan tingkat itensitas. Warna yang dimiliki adalah warna dari

hitam, keabuan, dan putih.

Tingkat keabuan disini merupakan warna abu dengan berbagai tingkatan dari

hitam hingga mendekati putih. Jika citra skala keabuan memiliki jumlah 8 bit, maka

jumlah warna pada citra adalah 28 atau 256., dimana nilai intensitas berkisar antara 0 -

255. Nilai 0 merupakan warna hitam, nilai 255 merupakan warna putih dan nilai

diantara itu adalah warna keabuan (Fatihah, 2016).

2.3 Pengolahan Citra

Pengolahan Citra merupakan sebuah disiplin ilmu yang mempelajari hal-hal yang

berkaitan dengan perbaikan kualitas gambar (peningkatan kontras, transformasi

warna, restorasi citra), transformasi gambar (rotasi, translasi, skala, transformasi

geometrik), melakukan pemilihan citra ciri (feature image) yang optimal untuk tujuan

analisis, melakukan proses penarikan informasi atau atau deskrpsi objek atau

pengenaalan objek yang tekandung pada citra. Input dari pengolahan citra adalah citra,

sedangkan outputnya adalah citra hasil pengolahan (Sutoyo et al., 2009).

Suatu citra dapat didefinisikan sebagai fungsi f(x,y) berukuran M baris dan N

kolom, dengan x dan y adalah koordinat spasial, dan amplitudo f di titik koordinat

(x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila

nilai x, y, dan nilai amplitudo f secara keseluruhan berhingga (finite) dan bernilai

diskrit maka dapat dikatakan bahwa citra tersebut adalah citra digital. Gambar 2.7

menunjukkan posisi koordinat citra digital.


15

Gambar 2.7. Koordinat Citra Digital

(Sumber: hadiyyatan-waasilah-fst14.web.unair.ac.id)

Pada pengolahan citra perlu dilakukan preprocessing. Proses ini digunakan

untuk memproses citra sebelum dilakukan ekstraksi fitur dalam mendeskripsikan

konten citra.

2.3.1 Scaling

Scaling adalah sebuah operasi geometri yang memberikan efek memperbesar atau

memperkecil ukuran citra input sesuai dengan variabel penskalaan citranya. Scaling

digunakan untuk memperkecil citra digital agar jumlah pixel yang akan diolah tidak

terlalu banyak. Semakin banyak jumlah pixel maka semakin banyak data imputan

yang menyebabkan semakin lama waktu komputasi.

𝑛𝑖𝑙𝑎𝑖 𝑠𝑘𝑎𝑙𝑎 {> 1 𝑚𝑒𝑚𝑝𝑒𝑟𝑏𝑒𝑠𝑎𝑟 𝑐𝑖𝑡𝑟𝑎 𝑎𝑠𝑙𝑖< 1 𝑚𝑒𝑚𝑝𝑒𝑟𝑘𝑒𝑐𝑖𝑙 𝑐𝑖𝑡𝑟𝑎 𝑎𝑠𝑙𝑖

Dengan persamaan:

𝑥′ = 𝑆ℎ 𝑥

𝑦′ = 𝑆𝑣 𝑦 (2.1)

Dimana:

𝑆ℎ = faktor skala horizontal

𝑆𝑣 = faktor skala vertikal

2.3.2 Grayscaling

Grayscaling merupakan suatu proses mengubah citra berwarna (RGB) menjadi citra

keabuan. Setiap piksel pada citra berwarna yang megandung tiga komponen warna

RGB akan diubah menjadi memiliki satu informasi saja yaitu intensitas keabuan

(Kadir & Susanto, 2012). Grayscaling berguna untuk menyederhanakan citra RGB

yang memiliki 3 layer matriks (red, green, dan blue) menjadi 1 layer matriks keabuan

dengan cara mengalikan masing-masing nilai red, green, dan blue dengan konstanta

berjumlah 1. Konversi citra RGB menjadi citra grayscale dengan green channel

ditunjukkan pada persamaan 2.2.

𝑋 = 𝑎 × 𝑅 + 𝑏 × 𝐺 + 𝑐 × 𝐵, 𝑎 + 𝑏 + 𝑐 = 1 (2.2)

Dimana:


16

𝑋 = nilai intensitas keabuan sebuah piksel citra hasil grayscaling

𝑅 = nilai komponen merah pada sebuah piksel

𝐺 = nilai komponen hijau pada sebuah piksel

𝐵 = nilai komponen biru pada sebuah piksel

𝑎, 𝑏, 𝑐 = konstanta yang penjumlahannya bernilai 1

Green channel merupakan salah satu jenis dari grayscaling yang mengganti

nilai setiap piksel pada citra hanya dengan nilai green dari piksel citra tersebut

(Febriani, 2014). Green channel mampu mendeteksi pembuluh darah dikarenakan

dapat meningkatkan kontras yang lebih tinggi apabila dibandingkan dengan channel

yang lainnya yaitu red channel dan blue channel yang kontrasnya lebih rendah (Raja,

2015). Citra keabuan menggunakan warna putih sebagai warna maksimum, warna

hitam sebagai warna minimum dan warna diantara hitam dan putih yaitu abu-abu.

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

intensitas yang sama. Konversi citra RGB menjadi citra grayscale dengan green

channel ditunjukkan pada persamaan 2.3.

𝑋 = 0 × 𝑅 + 1 × 𝐺 + 0 × 𝐵 (2.3)

2.3.3 Contrast limited adaptive histogram equalization (CLAHE)

Kontras menyatakan sebaran terang dan gelap dalam suatu citra. Kontras dalam citra

grayscale sangat diperlukan. CLAHE merupakan metode untuk mengatasi

keterbatasan standar pemerataan histogram pada suatu citra. CLAHE merupakan

metode kelanjutan dari metode adaptive histogram equalization (AHE). Metode AHE

cendrung masih banyak mengalami masalah noise di daerah yang relatif homogen dari

suatu citra dan dengan CLAHE dapat mengatasi masalah tersebut dengan membatasi

peningkatan kontras khususnya di daerah yang homogen (Sharma, 2013). CLAHE

diterapkan untuk mengatur kekontrasan citra sehingga dapat menampilkan bagian

yang gelap atau tidak terlihat dengan cara memberikan nilai batas (clip limit) pada

citra sehingga citra terlihat lebih jelas dan tidak terjadi peningkatan kontras yang

berlebihan. Untuk mengontrol kualitas citra, CLAHE mempunyai dua parameter yaitu

block size dan clip limit yang memiliki beberapa nilai default dan juga bisa ditentukan

oleh pengguna (Singh et al., 2015). Citra kontras yang bagus memiliki jangkauan nilai

keabuan yang lebar dan tidak memiliki nilai keabuan yang mendominasi. Algoritma

CLAHE dapat dijelaskan sebagai berikut (Ramya, 2012):


17

Langkah 1: Citra asli dibagi menjadi beberapa bagian citra yang tiap bagian citra

berukuran MxN.

Langkah 2: Setiap bagian citra dihitung histogramnya.

Langkah 3: Clipped histogram setiap bagian citra. Jumlah piksel dari tiap bagian

citra didistribusi pada masing-masing derajat keabuan.

Rata-rata jumlah piksel tersebut dilakukan dengan persamaan 2.4.

𝑁𝑎𝑣𝑔=

𝑁𝑆𝐼−𝑋𝑃.𝑁𝑆𝐼−𝑌𝑃𝑁𝑔𝑟𝑎𝑦𝑙𝑒𝑣𝑒𝑙

(2.4)

Dimana:

𝑁𝑎𝑣𝑔 = rata-rata jumlah piksel

𝑁𝑆𝐼−𝑋𝑃 = jumlah piksel dalam dimensi X dari bagian citra

𝑁𝑆𝐼−𝑌𝑃 = jumlah piksel dalam dimensi Y dari bagian citra

𝑁𝑔𝑟𝑎𝑦𝑙𝑒𝑣𝑒𝑙 = jumlah nilai derajat keabuan dari bagian citra

Berdasarkan persamaan 2.4, clip limit dapat dihitung menggunakan persamaan 2.5.

𝑁𝑐−𝐿 = 𝑁𝑐 . 𝑁𝑎𝑣𝑔 (2.5)

Dimana:

𝑁𝑐−𝐿 = clip limit

𝑁𝑐 = nilai maksimum rata-rata piksel setiap nilai derajat keabuan citra

Pada histogram yang asli, piksel akan di clipped jika jumlah piksel lebih besar dari 𝑁𝑐.

Jumlah piksel didistribusikan secara merata kedalam masing-maisng derajat keabuan

( 𝑁𝑑) yang didefinisikan dengan total jumlah piksel yang di clipped (𝑁𝑇𝑐 ) dalam

persamaan 2.6.

𝑁𝑑=

𝑁𝑇𝑐

𝑁𝑔𝑟𝑎𝑦𝑙𝑒𝑣𝑒𝑙

(2.6)

𝑁𝑆𝐼(i) merupakan jumlah piksel dalam setiap derajat keabuan bagian citra dan ‘i’

adalah jumlah derajat keabuan. Dengan menggunakan persamaan 2.6 contrast limited

histogram bagian citra dapat dihitung dengan menggunakan persamaan 2.7.

𝑖𝑓 𝐻𝑆𝐼 > 𝑁𝐶−𝐿 , 𝐻𝑁𝑆𝐼(𝑖) = 𝑁𝐶−𝐿

𝑒𝑙𝑠𝑒 𝑖𝑓 𝐻𝑆𝐼(𝑖) + 𝑁𝑑 ≥ 𝑁𝐶−𝐿 , 𝐻𝑁𝑆𝐼(𝑖) = 𝑁𝐶−𝐿 (2.7)

𝑒𝑙𝑠𝑒 𝐻𝑁𝑆𝐼(𝑖) = 𝐻𝑆𝐼(𝑖) + 𝑁𝑑

Akhir dari distribusi pada persamaan 2.7, sisa jumlah piksel yang di clipped

dinyatakan sebagai 𝐻𝑅𝑃, tahap distribusi piksel dirumuskan dalam persamaan 2.8.


18

𝑆 =𝑁𝑔𝑟𝑎𝑦

𝑁𝑅𝑃 (2.8)

Metode ini memindai semua piksel dari yang minimum hingga yang maksimum dari

niali graylevel. Jika frekuensi piksel graylevel adalah 𝑁𝑐−𝐿, metode ini akan

mendistribusikan satu piksel nilai graylevel. Jika pencarian berakhir sebelum

distribusi semua piksel, maka akan dihitung ulang sesuai dengan persamaan 2.8

hingga semua piksel terdistribusi. Dengan demikian akan diperoleh histogram yang

baru.

Langkah 4: Membatasi contrast histogram setiap bagian citra diproses dengan

HE kemudian piksel dari bagian citra dipetakan dengan

menggunakan interpolasi linear.

2.3.4 Morphological Close

Morphological operator merupakan suatu teknik pengolahan citra yang berdasarkan

pada pengolahan bentuk. Teknik ini menerapkan structuring element (SE) pada citra

yang diolah dan menghasilkan citra dengan ukuran yang sama. SE merupakan sebuah

operator yang dapar mempengaruhi kinerja pengolahan morphological. Nilai setiap

piksel pada citra yang dimasukkan berdasarkan pada perbandingan antara piksel yang

bersesuaian dari citra masukkan dengan nilai piksel tetangganya. Dengan memilih

ukuran dan bentuk tetangga tersebut, maka dapat membangun sebuah morphological

operator untuk mengolah citra yang dimasukkan agar lebih spesifik (Kaur et al.,

2013). Nilai dari setiap piksel dalam citra digital hasil diperoleh melalui proses

perbandingan antara piksel yang bersesuaian pada citra digital masukan dengan piksel

tetangganya. Operasi morfologi bergantung pada urutan kemunculan dari piksel, tidak

memperhatikan nilai numeric dari piksel sehingga teknik morfologi sesuai apabila

digunakan untuk melakukan pengolahan citra biner dan citra keabuan (grayscale).

Operasi dasar morfologi yang digunakan yaitu proses dilasi (dilation) dan erosi

(erotion). Dilasi adalah teknik untuk memperbesar segmen objek (citra biner) dengan

menambah lapisan disekeliling objek. Persamaan dilasi didefinisikan sebagai berikut.

𝐷(𝐴. 𝐵) = 𝐴 ⊕ 𝐵 = {𝑥 ∶ 𝐵𝑥 ∩ 𝐴 ≠ ∅} (2.9)

Dimana:

D : citra hasil dilasi

A : citra masukkan


19

B : structure element

Bx : translasi B

Sedangkan erosi adalah teknik yang bertujuan untuk memperkecil atau

mengikis tepi objek dengan mengurangi piksel pada batas dari suatu objek tersebut.

Erosi dilakukan dengan persamaan 2.10.

𝐸 (𝐴. 𝐵) = A θ B = {𝑥 ∶ 𝐵𝑥 ∩ 𝑋} (2.10)

Dimana:

E : citra hasil erosi

A : citra masukkan

B : structure element

Bx : translasi B

Jumlah piksel yang ditambahkan atau yang dihilangkan dari batas objek pada

citra digital masukan tergantung pada ukuran dan bentuk dari structuring element

yang digunakan. Operasi morfologi lainnya, yaitu opening dan closing yang

merupakan sintesis dari erosi dan dilasi. Proses opening merupakan proses yang

diawali erosi dan dilanjutkan dilasi, sedangkan closing merupakan proses yang

diawali dilasi dan dilanjutkan erosi (Gonzales dan Woods 2003).

2.3.5 Background Substraction

Background subtraction adalah proses untuk menemukan objek pada gambar dengan

membandingkan gambar yang ada dengan sebuah model latar belakang. Prosedur

background subtraction terdiri dari 3 tahap, yaitu pre-processing, background

modeling, dan foreground detection.

2.3.6 Tresholding

Thresholding adalah proses mengubah citra berderajat keabuan menjadi citra biner

atau hitam putih sehingga dapat diketahui daerah mana yang termasuk objek dan

background dari citra secara jelas. Citra hasil thresholding biasanya digunakan lebih

lanjut untuk proses pengenalan lebih lanjut pada proses pengenalan objek serta

ekstraksi fitur. Proses ini menggunakan nilai batas (threshold) untuk dapat mengubah

nilai piksel menjadi warna hitam atau putih. Jika nilai piksel pada citra lebih besar dari

nilai threshold yang ditentukan maka nilai piksel tersebut akan diubah menjadi warna


20

putih dan diinisialkan dengan angka biner 1. Sementara apabila nilai piksel lebih kecil

dari nilai threshold maka akan diubah menjadi warna hitam dan diinisialkan dengan

angka biner 0 (Febriani, 2014). Proses tersebut dilakukan dengan persamaan 2.11.

𝑔(𝑥, 𝑦) = {1 𝑖𝑓 𝑓(𝑥, 𝑦) ≥ 𝑇0 𝑖𝑓 𝑓(𝑥, 𝑦) < 𝑇

(2.11)

Dengan:

𝑔(𝑥, 𝑦) = piksel citra hasil biner

𝑓(𝑥, 𝑦) = piksel citra masukan

𝑇 = nilai threshold

2.3.7 Conneted Component Analysis

Conneted Component Analysis merupakan suatu teknik untuk mengekstrak daerah-

daerah yang hanya terhubung dan menghilangkan daerah yang tidak terhubung setelah

batas-batas terdeteksi. Teknik ini biasanya juga sering digunakan dalam tahap

segmentasi citra (Bouman, 2015). Terdapat dua konektivitas yang dapat digunakan

yaitu 4-konektivitas (4-connected neighbors) dan 8-konektivitas (8- connected

neighbors) (Chairani, 2016). 4-konektivitas apabila piksel-piksel yang berdekatan

tersebut terletak berdampingan secara horizontal dan vertikal. Model dari 4-

konektivitas ini dapar dilihat pada Tabel 2.1.

Tabel 2.1. Model 4-konektivitas

Pada konsep 8-konektivitas apabila terdapat 2 piksel yang bersinggungan baik secara

diagonal maupun secara horizontal dan vertikal maka akan diangap satu objek. Model

konektivitas tersebut dapat dilihat pada Tabel 2.2.

Tabel 2.2. Model 8-konektivitas

P(x-1,y-1) P(x,y-1) P(x+1, y-1)

P(x-1,y) P( x,y ) P(x+1,y)

P(x+1, y+1) P(x,y+1) P(x+1, y+1)

2.4 Ekstraksi Ciri

Ekstraksi fitur atau ciri citra merupakan tahapan mengekstrak ciri atau informasi dari

objek di dalam citra yang ingin dikenali atau dibedakan dengan citra lainnya. Feature

P(x,y-1)

P(x-1,y) P( x,y ) P(x+1,y)

P(x,y+1)


21

extraction adalah proses pengukuran terhadap data yang telah dinormalisasi untuk

membentuk sebuah nilai fitur. Nilai fitur digunakan oleh pengklasifikasi untuk

mengenali unit masukan dengan unit target keluaran dan memudahkan

pengklasifikasian karena nilai ini mudah untuk dibedakan (Kartar, 2011). Fitur yang

baik memiliki syarat berikut, yaitu mudah dalam komputasi, memiliki tingkat

keberhasilan yang tinggi dan besarnya data dapat diperkecil tanpa menghilangkan

informasi penting (Putra, 2009). Salah satu metode untuk mengekstrak ciri citra

adalah invariant moment.

Invariant moment sering digunakan sebagai fitur dalam pemrosesan citra,

pengenalan bentuk maupun klasifikasi. Moment dapat memberikan karakteristik suatu

objek yang merepresentasikan bentuknya secara unik. Hasil dari metode ini terdapat

tujuh nilai pada setiap objek citra. Nilai-nilai tersebut bersifat independen terhadap

translasi, rotasi dan perskalaan. Secara tradisional, moment invariant dihitung

berdasarkan informasi yang diberikan oleh boundary bentuk dan daerah interiornya

(Prokop & Reeves, 1992). Moment digunakan untuk membentuk moment invariant

yang didefinisikan secara kontinu namun untuk implementasi praktis, moment

dihitung secara diskrit. Perhitungan invariant moment diambil dan diringkas dari (Hu,

1962) sebagai berikut. Diberikan sebuah fungsi 𝑓(𝑥, 𝑦)moment didefinisikan oleh:

𝑚𝑝𝑞 = ∑ ∑ 𝑥𝑝𝑦𝑞𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦𝑤−1𝑦=0

𝐻−1𝑥=0 (2.12)

𝑚𝑝𝑞 merupakan moment dua dimensi dari fungsi 𝑓(𝑥, 𝑦). Order moment

adalah (p+q) dimana p dan q adalah bilangan asli. Untuk implementasi di dalam

bentuk digital dinyatakan pada persamaan 2.13.

𝑚𝑝𝑞 = ∑ ∑ 𝑥𝑝𝑦𝑞𝑓(𝑥, 𝑦)𝑤−1𝑦=0

𝐻−1𝑥=0 (2.13)

Dimana:

𝑚𝑝𝑞 = momen

𝐻 = tinggi citra

𝑊 = lebar citra

𝑥 dan 𝑦 = baris dan kolom

𝑓(𝑥, 𝑦) = nilai intensitas citra

Selanjutnya moment pusat untuk suatu citra dinyatakan pada persamaan 2.14.


22

𝜇𝑝𝑞 = ∑ ∑ (𝑥 − �̅�)𝑝(𝑦 − �̅�)𝑞𝑓(𝑥, 𝑦)𝑤−1𝑦=0

𝐻−1𝑥=0 (2.14)

Dimana nilai moment pusat �̅� merupakan hasil pembagian dari nilai moment

pusat 𝑚10 dan 𝑚00 sedangkan nilai moment pusat �̅� diperoleh dari hasil pembagian

dari nilai moment pusat 𝑚01 dan 𝑚00 yang dinyatakan pada persamaan 2.15.

�̅� =𝑚10

𝑚00 dan �̅� =

𝑚01

𝑚00 (2.15)

Setelah mendapatkan nilai𝜇11, 𝜇20, 𝜇02, 𝜇30, 𝜇03, 𝜇12 dan 𝜇21 untuk setiap

objek, maka masuk ke tahap normalisasi nilai moment pusat dengan menggunakan

persamaan 2.16.

𝜂𝑝𝑞 =𝜇𝑝𝑞

𝜇00𝛾 (2.16)

Dimana: 𝛾 =𝑝+𝑞

2+ 1

𝜇00 = 𝑚00

Kemudian momen yang telah ternormalisasi tersebut dapat didefinisikan

sebagai sekumpulan momen-momen invarian (invariant moments). Ketujuh invariant

moment untuk setiap objek menggunakan persamaan (Hu, 1962):

𝜙1 = 𝜂20 + 𝜂02

𝜙2 = (𝜂20 + 𝜂02)2 + 4𝜂112

𝜙3 = (𝜂30 − 3𝜂12)2 + (3𝜂21 + 𝜂03)2

𝜙4 = (𝜂30 − 𝜂12)2 + (𝜂21 + 𝜂03)2

𝜙5 = (𝜂30 − 3𝜂12)(𝜂30 − 𝜂12)[(𝜂30 − 𝜂12)2 − (3𝜂21 + 𝜂03)2] + (3𝜂21 −

𝜂03)(𝜂21 + 𝜂03)[3(𝜂30 + 𝜂12)2 − (𝜂21 + 𝜂03)2]

𝜙6 = (𝜂20 − 3𝜂02)[(𝜂30 + 𝜂12)2 − (𝜂21 − 𝜂03)2] + 4𝜂11(𝜂30 + 𝜂12)(𝜂21 + 𝜂03)

𝜙7 = (3𝜂21 − 𝜂03)(𝜂30 + 𝜂12)[(𝜂30 + 𝜂12)2 − 3(𝜂21 + 𝜂03)2] − (𝜂30 −

𝜂12)(3𝜂21 + 𝜂03)[3(𝜂30 + 𝜂12)2(𝜂21 + 𝜂03)2] (2.17)

Tujuh invariant moment ini 𝜙𝑖, 𝑖 = 1, 2, … , 7 dilakukan oleh Hu, diperlihatkan

menjadi bebas terhadap rotasi. Akan tetapi nilai-nilai tersebut dihitung berdasarkan

batasan luar (boundary) dan daerah bagian dalam (interior region).


23

2.5 Jaringan Saraf Tiruan

Jaringan saraf tiruan atau artificial neural network menurut Hammerstone (1993)

merujuk pada teknologi komputasi yang dikembangkan berdasarkan cara kerja otak

pada makhluk hidup.

Gambar 2.8 Struktur Sebuah Sel Saraf (Neuron)

(Sumber: dosenbiologi.com/manusia/struktur-sel-saraf)

Berdasarkan gambar 2.8 struktur dari sebuah sel saraf atau neuron terdiri dari

dendrite, cell body, dan axon. Dendrites merupakan unit input yaitu sebagai tempat

masuknya sinyal, cell body berfungsi untuk memproses sinyal yang masuk, dan axon

merupakan unit output dari sinyal hasil proses cell body. Hubungan antara neuron

yang satu dengan yang lain lewat hubungan synapse.

Jaringan syaraf tiruan (JST) memiliki karakteristik yang mirip dengan jaringan

saraf biologi yang digambarkan sebagai berikut:

a. Menerima input atau masukan, baik dari data yang dimasukkan atau dari output

sel saraf pada jaringan saraf. Setiap input datang melalui suatu koneksi atau

hubungan yang mempunyai sebuah bobot (weight).

b. Setiap sel saraf mempunyai sebuah nilai ambang. Jumlah bobot dari input dan

dikurangi dengan nilai ambang kemudian akan mendapatkan suatu aktivasi dari

sel saraf (post synaptic potential, PSP, dari sel saraf). Signal aktivasi kemudian

menjadi fungsi aktivasi/fungsi transfer untuk menghasilkan output dari sel saraf.

Jaringan saraf tiruan ditentukan oleh 3 hal:

a. Pola hubungan antar neuron (disebut arsitektur jaringan)

b. Metode untuk menentukan bobot penghubung (metode training/learning/

algoritma)

c. Fungsi aktivasi.


24

2.6 Probabilistic Neural Network

Probabilistic Neural Network (PNN) diperkenalkan pertama kali oleh Donald F.

Specht tahun 1990. PNN menggabungkan teorema Bayes probabilitas bersyarat dan

metode Parzen untuk memperkirakan probability density function (fungsi kerapatan

probabilitas) dari variabel acak. Tidak seperti model pelatihan neural network lainnya,

PNN memiliki kecepatan proses pelatihan (training) yang tinggi dan kemampuan

menghasilkan tingkat kepercayaan untuk keputusan klasifikasinya (Hajmeer &

Basheer, 2002).

PNN dapat didefnisikan sebagai implementasi dari algoritma statistik yang

biasa disebut dengan kernel diskriminasi analisis dimana operasi tersebut akan disusun

kedalam multilayered feedforward network dengan empat lapisan yaitu input layer,

pattern layer, summation layer, dan output layer. Ada keuntungan utama yang

membedakan PNN adalah proses pelatihan yang cepat, struktur paralel yang tidak

dapat dipisahkan, dijamin dalam menemukan klasifikasi optimal sesuai dengan

peningkatan perwakilan data pelatihan, dan pelatihan dapat ditambahkan atau dihapus

tanpa melakukan pelatihan ulang. Dengan demikian, PNN belajar lebih cepat dari

pada banyak model jaringan saraf tiruan dan telah sukses dibeberapa aplikasi.

Berdasarkan fakta tersebut, PNN dapat dilihat sebagai supervised neural network yang

mampu digunakan dalam masalah klasifikasi dan pengenalan pola (Mishra, 2013).

PNN merupakan tipe khusus dari radial basis neural network terutama dalam

masalah klasifikasi. Seperi radial basis neural network, PNN menggunakan fungsi

aktivasi dilapisan kedua yaitu hidden layer yang bertujuan untuk membuat local

decision function yang berpusat pada sampel dari input layer. Setelah pelatihan, fungsi

tersebut dijumlahkan pada summation layer. Hasil dari jumlah fungsi tersebut itu

merupakan probabilitas. Sehingga probabilitas yang paling maximum masuk kedalam

sebuah kelas yang spesifik (Lotfi & Benyettou, 2014).

PNN memiliki beberapa layer, diantaranya yaitu input layer, pattern layer,

summation layer, dan output layer. Struktur dari jaringan PNN ini dapat dilihat pada

Gambar 2.9.


25

Gambar 2.9. Arsitektur Probabilistic Neural Network

(Sumber: Palomino et al, 2014)

a. Input Layer

Pada lapisan ini terdapat variabel vektor input yang akan dijadikan input

kedalam jaringan. Nilai dari variabel ini merupakan hasil dari ekstraksi ciri

dari setiap data yang diuji.

b. Pattern Layer

Pada lapisan ini dilakukan perhitungan kedekatan jarak antara vektor bobot

dengan vektor input. Vektor bobot merupakan nilai dari data latih setiap

kelasnya sedangkan vektor input merupakan nilai dari ekstraksi ciri data yang

akan diuji. Proses yang terjadi pada lapisan ini menggunakan persamaan 2.18.

𝑊𝑖𝑗(𝑥) = 1

2𝜋𝑑/2𝜎𝑑 𝑒𝑥𝑝 [−‖(𝑥−𝑥𝑖𝑗)‖

2

2𝜎2] (2.18)

Dimana:

𝑊𝑖𝑗(𝑥) = gaussian kernel

𝑑 = dimensi vektor x

𝜎 =spread / smoothing parameter

𝑥 = vektor pengujian

𝑥𝑖𝑗 = vektor pelatihan ke 𝑗 dari kelas 𝑖

Tidak terdapat metode untuk menentukan nilai dari smoothing parameter

sehingga digunakan teknik trial and error.


26

c. Summation Layer

Pada lapisan ini menghitung penjumlahan kemungkinan maksimum dari setiap

𝑖-neuron pada lapisan pattern layer dengan kelas yang sama dan dirata-ratakan

dengan jumlah data uji masing-masing kelas. Proses yang terjadi dengan

menggunakan persamaan 2.19.

𝑔𝑖(𝑥) =1

2𝜋𝑑/2𝜎𝑑

1

𝑁𝑖∑ 𝑒𝑥𝑝 [−

‖(𝑥−𝑥𝑖𝑗)‖2

2𝜎2]

𝑁𝑖𝑗=1 (2.19)

Dimana:

𝑔𝑖(𝑥) = fungsi kepadatan probabilitas

𝑑 = dimensi vektor 𝑥

𝜎 = spread / smoothing parameter

𝑁 = jumlah data latih pada kelas 𝑖

𝑥 = vektor pengujian

𝑥𝑖𝑗 = vektor pelatihan ke 𝑗 dari kelas 𝑖

d. Output Layer

Pada lapisan terakhir ini dibandingkan nilai antara hasil dari tiap kelas. Nilai

probabilitas yang tertinggi maka akan dikelompokkan menjadi kelas tersebut.

Proses yang dilakukan pada lapisan ini dengan menggunakan persamaan 2.20.

𝐺𝑖(𝑥) = 𝑎𝑟𝑔𝑚𝑎𝑥{𝑔𝑖(𝑥)}, 𝑖 = 1,2, … , 𝑚 (2.20)

Dimana: 𝐺𝑖(𝑥) = bayes’s decision

2.7 Penelitian Terdahulu

Penelitian dalam mengklasifikasi stadium kanker menggunakan pengolahan citra

sudah dilakukan sebelumnya. Penelitian sebelumnya dilakukan Reni Setianingrum

pada tahun 2014 dalam “Klasifikasi Stadium Kanker Kolorektal Menggunakan Model

Recurrent Neural Network”. Pengekstrakan gambar dengan Gray Level Co-

Occurrence Matrix (GLCM) dan pengklasifikasian menggunakan pemodelan

Recurrent Neural Network (RNN) terhadap 74 data training didapat 92% tingkat

akuransi, 96% tingkat sensitivitas dan 79% tingkat spesifisitas, sedangkan pada 18

data testing menunjukkan 94% tingkat akuransi 100% tingkat sensitivitas, 80% tingkat

spesifisitas.

Penelitian selanjutnya dilakukan Sinta Deni Ariati tahun 2014 dalam

“Klasifikasi Stadium Kanker Kolorektal Menggunakan Model Neuro Fuzzy Berbasis


27

Graphic User Interface (GUI)”. Pengekstrakan gambar dengan GLCM dan

pengklasifikasian menggunakan pemodelan Fuzzy C-Means (FCM). Model NF

berbasis GUI pada penelitian ini untuk klasifikasi stadium kanker kolorektal

menghasilkan nilai sensitivitas, spesifisitas dan akuransi masing-masing 98,04%, 94,44%

dan 97,10% untuk data training serta 94,12%,83,33% dan 60,87% untuk data testing.

Penelitian selanjutnya mengenai klasifikasi kanker usus berdasarkan jenis

adinocarcinoma seperti carcinoma atau lymphoma dan juga normal dilakukan oleh T.

et al., juga melakukan penelitian pada tahun 2013 dengan judul “Klasifikasi Kanker

Usus berdasarkan Citra Mikroskopik Patologi Menggunakan Countourlet Transform

dan Support Vector Machine”. Mampu mengenali 80 data latih dengan akurasi

tertinggi 100% dan 40 data uji dengan akurasi tertinggi 97,5%, serta beberapa

penelitian lainnya.

Penelitian selanjutnya mengidentifikasi dan mengklasifikasi kanker kolon

berdasarkan citra spectrocopy kedalam kategori normal, polip berlebih, dan

adenocarcinoma menggunakan RBF-SVM dilakukan oleh Widjaja et al., pada tahun

2007 dengan judul “Classification of Colonic Tissues Using Near-infrared Raman

Spectroscopy and Support Vector Machines”. Diperoleh tingkat akurasi 98.4, 98.5 dan

99.6%.

Penelitian menggunakan PNN sudah pernah dilakukan sebelumnya untuk

mendiagnosis penyakit diabetes tipe II. Penelitian ini dilakukan oleh Soltani et al.,

pada tahun 2016 dengan judul “A New Artificial Neural Networks Approach for

Diagnosing Diabetes Disease Type II”. Metode yang digunakan pada penelitian ini

yaitu probabilistic neural network. Penelitian ini diterapkan dalam bidang data mining

dan dataset yang digunakan dari Pima Indians Diabetes dan akurasi yang dicapai

sebesar 81.49%.

Penelitian berikutnya oleh Nelam Mariani Nasution tahun 2017 untuk

menentukan payudara normal, tumor jinak, atau tumor ganas. Penelitian ini diterapkan

dalam bidang image processing dan dataset yang digunakan didapat dari

Mammographic Image Analysis Society (MIAS). Pada tahap preprocessing terdiri dari

proses contrast limited adaptive histogram equalization, morphological black hat,

morphological elipse, dan background exclusion. Kemudian pada tahap segmentasi

dilakukan tahap thresholding. Metode invariant moments digunakan dalam ekstraksi

ciri dan metode PNN untuk tahap klasifikasi dan diperoleh akurasi mencapai 90%.


28

Penelitian selanjutnya untuk mengidentifikasi penyakit hypertensive

retinopathy. Penelitian ini oleh Nurrahmadayen pada 2017 dengan judul “Identifikasi

Penyakit Hypertensive Retinopathy melalui Citra Fundus Retina Menggunakan

Probabilistic Neural Network” dan dataset yang digunakan didapat dari Structured

Analysis of the Retina (STARE). Pada tahap preprocessing terdiri dari green channel,

contrast limited adaptive histogram equalization, morphological close, background

exclusion. Kemudian pada tahap segmentasi dilakukan tahap tresholding. Metode box

counting dan invariant moments digunakan dalam ekstraksi ciri dan metode PNN

untuk tahap klasifikasi dengan tingkat akurasi 100%.

Penelitian terdahulu yang telah dipaparkan diuraikan secara singkat pada Tabel

2.3.

Tabel 2.3. Penelitian Terdahulu

No Peneliti Metode Keterangan Akurasi

1 Reni

Setianingrum

(2014)

Gray Level Co-

Occurrence

Matrix (GLCM),

Recurrent Neural

Network (RNN)

74 data training didapat 96%

tingkat sensitivitas dan 79%

tingkat spesifisitas, sedangkan

pada 18 data testing menunjukkan

100% tingkat sensitivitas, 80%

tingkat spesifisitas.

92%-

94%

2 Sinta Deni

Ariati

(2015)

Gray Level Co-

Occurrence

Matrix (GLCM),

Fuzzy C-Means

(FCM)

Mengklasifikasi stadium kanker

kolorektal dengan nilai

sensitivitas dan spesifisitas

masing-masing 98,04% dan

94,44% untuk data training serta

94,12% dan 83,33% untuk data

testing.

60,87%-

97,10%

3 Effendi

Widjaja, Wei

Zheng, dan

Zhiwei Huang

(2007)

Support Vector

Machines (SVM),

Radial Basis

Function -

Support Vector

Machines (RBF-

Mengidentifikasi dan

mengklasifikasi kanker kolon

berdasarkan citra spectrocopy

kedalam kategori normal, polip

berlebih, dan adenocarcinoma

menggunakan RBF-SVM.

98.4,

98.5 dan

99.6%


29

SVM)

Tabel 2.3. Penelitian Terdahulu (Lanjutan)

No Peneliti Metode Keterangan Akurasi

4 Z. Soltani dan

A. Jafarian

(2016)

Probabilistic

Neural Network

Penelitian ini untuk mendiagnosis

penyakit diabetes tipe II.

81, 49%.

5 Nelam

Mariani

Nasution

(2007)

Invariant

moments dan

PNN

Penelitian ini menentukan

payudara normal, tumor jinak,

atau tumor ganas.

90%

6 Nurrahmaday

en

(2017)

Box counting,

invariant moments

dan PNN

Penelitian ini melakukan

identifikasi penyakit hypertensive

retinopathy

100%

Perbedaan penelitian yang dilakukan penulis dengan penelitian sebelumnya

terletak pada jenis pengklasifikasian dan metode klasifikasi yang digunakan. Penulis

mengkasifikasi stadium kanker kolorektal, penelitan sebelumnya oleh Nelam Mariani

Nasution mengklasifikasi payudara normal, tumor jinak dan tumor ganas kemudian

penelitian Nurrahmadayen mengidentifikasi penyakit hypertensive retinopathy.

Penelitian untuk klasifikasi stadium kanker kolorektal dilakukan oleh Reni

Setianingrum menggunakan metode Recurrent Neural Network (RNN) kemudian pada

penelitian Sinta Deni Ariati menggunakan Fuzzy C-Means (FCM).

Dalam melakukan klasifikasi, metode yang digunakan adalah Probabilistic

Neural Network (PNN), dimana metode tersebut belum pernah digunakan dalam

penelitian klasifikasi stadium kanker kolorektal sebelumnya.


30

BAB 3

ANALISIS DAN PERANCANGAN

Bab ini membahas tentang analisis dan perancangan dalam aplikasi klasifikasi stadium

kanker kolorektal. Tahap pertama yaitu analisis data yang digunakan, analisis dengan

menggunakan beberapa tahapan pengolahan citra yang digunakan, kemudian

implementasi metode Probabilistic Neural Network dalam mengklasifikasi stadium

kanker kolorektal. Pada tahapan selanjutnya yaitu dilakukan perancangan tampilan

antarmuka sistem

3.1 Arsitektur Umum

Metode untuk mengklasifikasi stadium kanker kolorektal melalu citra colonoscopy

pada penelitian ini terdiri dari beberapa tahapan. Tahapan awal yaitu pengumpulan

data citra kanker kolorektal stadium 0,1,2,3, dan 4 yang digunakan sebagai citra

pelatihan dan pengujian. Setelahnya adalah tahapan pre-processing yang terdiri dari

tahap scaling yang bertujuan untuk memberikan efek memperbesar atau memperkecil

ukuran citra input sesuai dengan variabel penskalaan citranya, kemudian dilakukan

penyeragaman keabuan citra dengan menggunakan green chanel dan kemudian

dilakukan proses CLAHE untuk memberikan kontras antara daerah White Matte dan

Gray Matte, kemudian dilakukan proses morphologial close cara untuk mengekstraksi

komponen-komponen citra yang sangat berguna dalam representasi dan deskripsi

bentuk area, kemudian dilakukan proses tresholding untuk mengubah citra berderajat

keabuan menjadi citra biner atau hitam putih sehingga dapat diketahui daerah mana

yang termasuk obyek dan dilanjutkan dengan proses Conneted Component Analysis

untuk mengekstrak daerah-daerah yang hanya terhubung dan menghilangkan daerah

yang tidak terhubung setelah batas-batas terdeteksi. Setelah itu dilakukan proses

ekstraksi ciri tekstur atau feature extraction dengan menggunakan metode fractal

dimension dan invariant moment. Setelah itu masuk ke tahap klasifikasi dengan

menggunakan metode Probabilistic Neural Network. Setelah seluruh tahap dilakukan


31

maka aplikasi menghasilkan keluaran berupa informasi stadium kanker. Adapun

tahapan tersebut dapat dilihat dalam bentuk arsitektur umum pada gambar 3.1

Gambar 3.1. Arsitektur Umum

Morphology Close

Proses

Output

Input

Colonoscopy

Image

Training Dataset

Testing Dataset

Invariant Moment

Feature Extraction

Clasiffication

Probabilictic Neural Network (PNN)

Hasil klasifikasi

Kanker kolorektal stadium 0,1,2,3, atau 4

Grayscale: Green Channel

CLAHE

Scaling

Morphology Close

Tresholding

Pre

pro

cess

ing

Connected Component Analysis

Basis

Data


32

3.1.1. Input Data

Data citra yang digunakan dalam penelitian ini adalah citra colonoscopy. Data

colonoscopy diperoleh dari Vision and Image Analysis Group (Cornel University),

Endoskopi Atlas (Albertinen-Krankenhaus) dan The Cancer Image Archive (TCIA)

public Access. Data citra kanker kolorektal yang digunakan sebanyak 98 citra terdiri

dari 5 kelas yaitu citra kanker kolorektal stadium 0, 1, 2, 3, dan 4. Data tersebut

digunakan sebagai data pelatihan dan pengujian. Seluruh data training berjumlah 55,

data testing 43, dan format file citra adalah .JPG.

3.1.2. Scaling

Scaling merupakan tahapan pertama yang bertujuan untuk mengatur ukuran piksel

pada citra agar ukuran piksel citra masukan menjadi ukuran yang sudah ditentukan.

Semakin sedikit jumlah piksel maka semakin sedikit waktu yang dibutuhkan untuk

proses pengolahan citra. Dalam penelitian ini citra yang dimasukkan ke sistem diubah

menjadi 165x150 pixel. Sebagai contoh ditampilkan gambar hasil scaling dengan 𝑥′ =

3 dan 𝑦′ = 3.

Gambar 3.2. Citra Hasil Scaling

3.1.3. Grayscaling

Tahap ini bertujuan untuk mengubah nilai intensitas piksel citra menjadi berderajat

keabuan. Dimana nantinya hasilnya digunakan untuk proses selanjutnya. Sebagai

contoh perhitungan untuk memperoleh citra grayscale. Adapun nilai Red, Green, Blue

pada citra 9 piksel antara lain:

P1 = R, G, B (145, 112, 58)

P2 = R, G, B (133, 101, 60)

P3 = R, G, B (151, 118, 56)

P4 = R, G, B (145, 112, 65)

P5 = R, G, B (126, 97, 57)


33

P6 = R, G, B (128, 96, 58)

P7 = R, G, B (142, 111, 64)

P8 = R, G, B (122, 91, 50)

P9 = R, G, B (115, 85, 51)

Dengan menggunakan persamaan (2.3) maka nilai grayscale yang didapatkan

antara lain sebagai berikut:

P1 = R, G, B (0*145 + 1*112 + 0*58) = 112

P2 = R, G, B (0*133 + 1*101 + 0*60) = 101

P3 = R, G, B (0*151 + 1*118 + 0*56) = 118

P4 = R, G, B (0*145 + 1*112 + 0*65) = 112

P5 = R, G, B (0*126 + 1*97 + 0*57) = 97

P6 = R, G, B (0*128 + 1*96 + 0*58) = 96

P7 = R, G, B (0*142 + 1*111 + 0*64) = 111

P8 = R, G, B (0*122 + 1*91 + 0*50) = 91

P9 = R, G, B (0*115 + 1*85 + 0*51) = 85

Contoh citra grayscale dapat dilihat pada gambar 3.3.

Gambar 3.3 Citra Grayscale

3.1.4. Contrast limited adaptive histogram equalization (CLAHE)

CLAHE bertujuan untuk mengatur kekontrasan citra sehingga dapat menampilkan

bagian yang gelap atau tidak terlihat. Citra hasil kontras dapat dilihat pada gambar 3.4.

Gambar 3.4 Citra Hasil CLAHE


34

3.1.5. Morphological Close

Tahapan selanjutnya yaitu menggunakan morphological close yang bertujuan untuk

memperhalus tepi objek, menghilangkan bagian-bagian kecil di luar objek utama dan

mengisi lubang kososng di dalam objek utama. Pada tahapan ini dilakukan proses

dilation (penebalan piksel) yang dilanjutkan dengan proses erosion (penipisan piksel).

Citra hasil morphological close dapat dilihat pada gambar 3.5.

Gambar 3.5 Citra Hasil Morphological Close

3.1.6. Bacground Substraction

Diterapkan operasi subtract antara hasil citra CLAHE dan hasil citra morphological

close. Berikut hasil dari proses operasi subtract terlihat pada Gambar 3.6.

Gambar 3.6 Citra Hasil Substraction

3.1.7. Tresholding

Tahapan selanjutnya yaitu segmentasi yang bertujuan untuk menghasilkan citra biner

dengan menggunakan thresholding. Sebagai contoh perhitungan tresholding adalah

sebagai berikut:

𝑇 =𝑓𝑚𝑎𝑥 + 𝑓𝑚𝑖𝑛

2

𝑇 =118 + 85

2= 101,5

Sehingga nilai threshold citra adalah:

P1 = 112 > 101,5 = 1

P2 = 101 > 101,5= 0


35

P3 = 118 > 101,5= 1

P4 = 112 > 101,5= 1

P5 = 97 < 101,5= 0

P6 = 96 < 101,5= 0

P7 = 111 > 101,5= 1

P8 = 91 < 101,5= 0

P9 = 85 < 101,5= 0

Setelah semua nilai threshold didapatkan pada setiap piksel maka nilai citra

grayscale akan diupdate dan diganti dengan nilai threshold sesuai dengan Gambar 3.7

1 0 1

1 0 0

1 0 0

Gambar 3.7 Nilai Treshold Citra 9 Piksel

Contoh citra dari proses thresholding dapat dilihat pada gambar 3.8.

Gambar 3.8 Citra Hasil Tresholding

3.1.8. Connected Component Analysis

Proses untuk menghilangkan objek yang bukan merupakan objek. Pengelompokan

piksel sebagai satu objek ditentukan dari status ketetanggaan mereka. Sebuah piksel

disebut bertetangga dengan piksel lain apabila piksel tersebut bertetangga langsung

dengan piksel lain itu ataupun piksel lain itu merupakan tetangga dari tetangga piksel

tersebut. Hasil dari proses CCA dapat dilihat pada gambar 3.9.

Gambar 3.9 Citra Hasil Connected Component Analysis


36

3.2 Feature Extraction

Tahapan selanjutnya adalah feature extraction yaitu mengekstraksi fitur atau ciri dari

hasil citra. Feature Extraction pada penelitian ini menggunakan metode invariant

moment. Untuk mendapatkan nilai dari metode ini adalah dengan menghitung nilai

moment (𝑚00, 𝑚10, 𝑚01) pada system diskrit menggunakan persamaan 2.13 dimana

H dan W masing-masing merupakan tinggi dan lebar citra dan p = 0,1,2,… dan q =

0,1,2,… adalah integer. Nilai moment dapat dilihat pada tabel 3.1:

Tabel 3.1. Hasil Perhitungan Nilai Moment

Moment

𝒎𝟎𝟎 𝒎𝟏𝟎 𝒎𝟎𝟏

3873 30607 25196

Setelah didapat nilai momen maka langkah selanjutnya yaitu menghitung nilai

rata-rata momen pusat dengan persamaan 2.15.

�̅� =𝑚10

𝑚00=

30607

3873= 7.90266

�̅� =𝑚01

𝑚00=

25196

3873= 6.50555

Kemudian hitung nilai dari moment pusat menggunakan persamaan 2.14, sehingga

diperoleh nilai dari moment pusat seperti pada tabel 3.2:

Tabel 3.2. Hasil Perhitungan Nilai Moment Pusat

Momen Pusat Nilai

𝜇11 −3651.41

𝜇20 22690.3

𝜇02 22490.1

𝜇30 −26801.4

𝜇03 −3438.17

𝜇12 9445.5

𝜇21 10199.5


37

Proses selanjutnya adalah normalisasi nilai moment pusat dengan persamaan 2.16

dimana 𝛾 =𝑝+𝑞

2+ 1, dan 𝜇00 = 𝑚00 = 3873. Dari persamaan tersebut maka

diperoleh nilai normalisasi moment pusat sebagai berikut:

𝜂11 = −3651.41

38732 = −0,000243425

𝜂20 =22690.3

38732 = 0,00151267

𝜂02 =22490.1

38732 = 0,00149933

𝜂30 = −26801.4

38732,5 = −2,87103e − 005

𝜂03 = −3438.17

38732,5 = −3,68306e − 006

𝜂12 =39445.5

38732,5 = 1,01183e − 005

𝜂21 =10199.5

38732,5 = 1,09259e − 005

Tahap terakhir untuk memperoleh nilai dari invariant moment pada setiap citra

dilakukan dengan menghitung nilai 𝜙 menggunankan persamaan 2.17. Nilai tujuh

invariant moment dari citra tersebut adalah:

𝜙1 = 0.00151267 + 0.00149933

= 0.003012

𝜙2 = ( 0.00151267 − 0.00149933 )2 + 4 ∗ −0.0002434252

= 2.37201e − 007

𝜙3 = ((−2.87103e − 005) − 3 ∗ 1.01183e − 005)2

+ (3 ∗ 1.09259e − 005 − (−3.68306e − 006))2

= 4.81809e − 009

𝜙4 = (−2.87103e − 005 + 1.01183e − 005 )2

+ (1.09259e − 005 + (−3.68306e − 006))2

= 3.98124e − 010


38

𝜙5 = ((−2.87103e − 005) − 3 ∗ 1.01183e − 005 )

∗ ( (−2.87103e − 005) + 1.01183e − 005)

∗ [( −2.87103e − 005 + 1.01183e − 005 )2

− ( 3 ∗ 1.09259e − 005 + (−3.68306e − 006))2

]

+ ( 3 ∗ 1.09259e − 005 − (−3.68306e − 006))

∗ ( 1.09259e − 005 + (−3.68306e − 006))

∗ [ 3 ∗ ( −2.87103e − 005 + 1.01183e − 005 )2

− ( 1.09259e − 005 + −3.68306e − 006 )2 ]

= 4.66763e − 019

𝜙6 = (0.00151267 − 0.00149933 )

∗ [ ( −2.87103e − 005 + 1.01183e − 005 )2

− ( 1.09259e − 005 + −3.68306e − 006 )2] + 4 ∗ −0.000243425

∗ ( −2.87103e − 005 + 1.01183e − 005 )

∗ ( 1.09259e − 005 + −3.68306e − 006 )

= 1.35031e − 013

𝜙7 = ( 3 ∗ 1.09259e − 005 − (−3.68306e − 006)) ∗ ( (−2.87103e − 005) + 1.01183e − 005 )

∗ [ ((−2.87103e − 005) + 1.01183e − 005 )2

− 3

∗ ( 1.09259e − 005 + (−3.68306e − 006))2

]

− ( −2.87103e − 005 − 1.01183e − 005 )(3 ∗ 1.09259e − 005

+ (−3.68306e − 006))

∗ [ 3

∗ ( −2.87103e − 005 + 1.01183e − 005 )2( 1.09259e − 005 + −3.68306e

− 006 )2 ]

= 2.9355e − 019

3.3 Klasifikasi

Tahap selanjutnya setelah didapatkan nilai dari feature extraction adalah memasukkan

nilai moment tersebut sebagai nilai input pada proses Neural Network. Pada proses

PNN ini, nilai invariant moment dari data testing dibandingkan dengan nilai invariant

moment dari data training yang sudah terlebih dahulu disimpan di dalam database

sehingga memudahkan sistem untuk mengenali citra. Proses pelatihan pada metode

PNN terdiri dari langkah yang unik, yaitu menyimpan bobot masing-masing neuron


39

pada pattern layer yang terbentuk oleh vektor hasil dari ekstraksi ciri dari masing-

masing data pelatihan.

Pada tahap pengujian nilai ekstraksi ciri dari data uji akan masuk kedalam

pattern layer kemudian ke summation layer dan nilai probabilitas yang paling

tertinggi akan dikelompokkan kedalam kelas tersebut. Proses pengujian pada metode

PNN terdiri dari beberapa langkah diantaranya yaitu:

1. Masukkan nilai data ekstraksi ciri kedalam jaringan untuk diuji.

Sebagai contoh nilai vektor data uji yang diinput kejaringan 𝑥1 =5.9,

𝑥2 =12.4, 𝑥3 =22.0, 𝑥4 =21.3, 𝑥5 =42.0, 𝑥6 =29.1 dan 𝑥7 =42.5

2. Kemudian data uji akan dihitung jarak kedekatannya 𝑤𝑖𝑗(𝑥) dengan vektor

bobot data latih (𝜙 = 𝑥𝑖𝑗). Dan diterapkan fungsi gaussian kernel dengan

persamaan 2.18 dengan 𝜎 = 0,4, dan 𝑑 = 8. Sebagai contoh terhadap sampel

masing-masing kelas hasilnya dipaparkan pada tabel 3.3.

Tabel 3.3. Nilai Vektor Bobot Data Latih

Stadium 0 Stadium 1 Stadium 2 Stadium 3 Stadium 4

𝒙𝟏 6.7 6.4 5.9 6.1 6.8

𝒙𝟐 15.6 17.1 15.5 15.9 17.2

𝒙𝟑 25.3 23.3 21.7 23.8 25.4

𝒙𝟒 29.1 24.7 22.2 24.1 26.2

𝒙𝟓 56.4 50.5 43.4 47.1 51.0

𝒙𝟔 37.4 36.3 30.0 32.1 35.2

𝒙𝟕 56.8 49.0 46.4 51.2 53.9

Sebagai contoh terhadap vector bobot salah satu citra data latih stadium 0.

𝑊𝑖𝑗(𝑥) = 1

2𝜋𝑑/2𝜎𝑑 𝑒𝑥𝑝 [−‖(𝑥−𝑥𝑖𝑗)‖

2

2𝜎2]

𝑊_𝑖𝑗 (𝑥) = 1/(〖2𝜋〗^(𝑑/2) 𝜎^𝑑 ) 𝑒𝑥𝑝[−(‖(𝑥 − 𝑥_1 )‖^2 + ‖(𝑥 −

𝑥_2 )‖^2 + ‖(𝑥 − 𝑥_3 )‖^2 + ‖(𝑥 − 𝑥_4 )‖^2 + ‖(𝑥 −

𝑥_5 )‖^2 + ‖(𝑥 − 𝑥_6 )‖^2 + ‖(𝑥 − 𝑥_7 )‖^2)/〖2𝜎〗^2 ]

𝑊_𝑖𝑗 (𝑥) = 1/(〖2 ∗ 3,14〗^(8/2) 〖0,4〗^8 ) exp [−(‖5,9 − 6,7‖^2 +

‖12,4 − 15,6‖^2 + ‖22,0 − 25,3‖^2 + ‖21,3 − 29,1‖^2 +

‖42,0 − 56,4‖^2 + ‖29,1 − 37,4‖^2 + ‖42,5 −

56,8‖^2)/〖2 ∗ 0.4〗^2 ]

𝑊_𝑖𝑗(𝑥) = 1/(194,4 ∗ 0,0006) exp [−(‖ − 0,8‖^2 + ‖ − 3,2‖^2 + ‖

− 3,3‖^2 + ‖ − 7,8‖^2 + ‖ − 14,4‖^2 + ‖ − 8,3‖^2 + ‖− 14,3‖^2)/0,64]


40

𝑊_𝑖𝑗 (𝑥) = 1/(194,4 ∗ 0,0006) exp [−(‖ − 0,8‖^2 + ‖ − 3,2‖^2 + ‖

− 3,3‖^2 + ‖ − 7,8‖^2 + ‖ − 14,4‖^2 + ‖ − 8,3‖^2 + ‖− 14,3‖^2)/0,64]

𝑊_𝑖𝑗 (𝑥) = 1/0,11664 exp [−(0,64 + 10,24 + 10,89 + 60,86 + 207,36

+ 68,89 + 204,49)/0,64]

𝑊𝑖𝑗(𝑥) =1

0,11664exp [−

563,37

0,64]

𝑊𝑖𝑗(𝑥) =1

0,11664exp[−880,265]

𝑊𝑖𝑗(𝑥) = 5.7135081466359305E − 33

Dengan melakukan hal yang sama terhadap seluruh vector data latih, maka

akan diperoleh kedekatan jaraknya. Sebagai contoh kedekatan jarak terhadap

sampel data latih diperoleh kedekatan jarak terhadap stadium 0 adalah

5.7135081466359305E-33, terhadap stadium 1 adalah 5.282044363551569E-

20, terhadap stadium 2 adalah 6.678109312130482E-8, terhadap stadium 3

adalah 2.1832374481046565E-16 dan terhadap stadium 4 adalah

2.0928238863209165E-24.

3. Jumlahkan hasil dari fungsi gaussian kernel dengan kelas yang sama

kemudian dirata-ratakan dengan jumlah data latih sesuai kelas masing-

masing menggunakan persamaan 2.19 untuk mencari probabilitas tiap kelas.

𝑔𝑖(𝑥) =1

2𝜋𝑑/2𝜎𝑑

1

𝑁𝑖∑ 𝑒𝑥𝑝 [−

‖(𝑥 − 𝑥𝑖𝑗)‖2

2𝜎2]

𝑁𝑖

𝑗=1

𝑔𝑖(𝑥) =1

0,11664

1

13(5.7135081466359305E − 33

+ 4.509215417717743E − 15 + 7.167894004859291E

− 19 + 2.149087837836936E − 20

+ 6.215277706819828E − 22 + 2.652220703918484E

− 21 + 1.930925680530628E − 8

+ 4.234541475506593E − 31 + 9.89678289560562E

− 42 + 1.740966896603953E − 4

+ 1.365761070220319E − 29 + 3.98705953060122E

− 34 + 4.92029456190406E − 27

𝑔𝑖(𝑥) = 2.6225629296324178E − 5

Contoh hasil kepadatan probabilitas dipaparkan pada tabel 3.4.


41

Tabel 3.4. Nilai Probabilitas untuk Setiap Stadium

Stadium 0 Stadium 1 Stadium 2 Stadium 3 Stadium 4

𝒈𝒊 2.622562929

6324178E-5

3.0192453507

87236E-6

0.097907274

8282481

2.8259508690

895828E-5

2.926716258

235432E-5

4. Nilai probabilitas yang tertinggi akan masuk kedalam kelas tersebut. Dari

tabel 3.6 diperoleh nilai probabilitas tertinggi yaitu kelas “Stadium 2”, maka

citra uji akan dikelompokkan kedalam kelas “Stadium 2”.

Adapun alur proses pengujian dapat dilihat pada Gambar 3.10.

Gambar 3.10. Proses pengujian metode PNN

Hasil dari proses tersebut akan mendapatkan kedekatan jarak antara data uji terhadap

seluruh data latih, fungsi kepadatan probabilitas dari hasil penjumlahan nilai gaussian

kernel dari tiap kelas dan dirata-ratakan dengan jumlah data latih tiap kelas. Hasil

klasifikasinya terhadap probabilitas tertinggi dengan fungsi bayes decision.


42

3.4 Perancangan Sistem

Pada tahapan perancangan sistem ini dijelaskan tentang perancangan menu sistem dan

perancangan antarmuka aplikasi klasifikasi stadium kanker usus besar dan rectum

(kanker kolorektal). Perancangan ini bertujuan agar pengguna dapat mudah

menjalankan aplikasi.

3.4.1 Struktur Menu

Struktur menu pada sistem ditunjukkan pada Gambar 3.11.

Gambar 3.11. Struktur Menu Aplikasi

3.4.2 Perancangan Tampilan Antarmuka Sistem

Perancangan antarmuka merupakan gambaran umum tentang tampilan yang terdapat

pada sistem.

a. Rancangan tampilan halaman awal

Pada rancangan halaman awal aplikasi terdapat judul penelitian di bagian atas,

logo dan nama peneliti, nim serta institusi. Pada Menu Bar ‘Menu’ terdapat

tombol ‘Main Program’ dibagian kiri atas untuk masuk ke halaman main

program, dan tombol ‘Exit’ untuk keluar dari aplikasi. Rancangan tampilan

awal ditunjukkan dalam gambar 3.12.


43

Gambar 3.12. Rancangan Halaman Awal

b. Rancangan tampilan halaman Main Program

Rancangan tampilan main program terdiri atas:

- Menu bar ‘Menu’ yang berisi tombol ‘Training’ untuk masuk

kehalaman training dan ‘Exit’ untuk keluar dari aplikasi.

- Button ‘Pilih Data Test’ untuk menginput data ke sistem untuk

diproses.

- Button ‘Proses Data Test’ untuk memproses data citra kanker

kolorektal yang telah diinput.

- Text area untuk menampilkan sumber citra.

- Image testing menampilkan citra yang akan diproses.

- Preprocessing untuk menampilkan cita hasil preprocessing yaitu hasil

grayscaling, CLAHE, morphological Closing, substact, tresholding

dan Conneted Component Analysis.

- Text area ekstraksi ciri untuk menampilkan hasil ekstraksi ciri yaitu

tujuh invariant moment citra.

- Text area hasil klasifikasi untuk menampilkan hasil klasifikasi stadium

kanker kolorektal 0, 1, 2, 3, atau 4.

Rancangan tampilan halaman main program dapat dilihat pada gambar 3.13.


44

Gambar 3.13. Rancangan Halaman Main Program

c. Rancangan tampilan halaman Training

Rancangan tampilan halaman training terdiri atas:

- Button ‘Pilih Data’ untuk masing-masing stadium kanker untuk

menginput citra yang akan dilatih. Data citra yang dilatih dapat diinput

dalam jumlah banyak.

- Text area untuk masing-masing stadium kanker kolorektal yang

menampilkan sumber dari citra data latih.

- Button ‘Proses Data Latih’ berfungsi untuk melatih data yang diinput

dan hasilnya akan disimpan kedalam database ‘kolorektal.sqlite’

Rancangan tampilan halaman training dapat dilihat pada gambar 3.14.

Gambar 3.14. Rancangan Halaman Training


BAB 4

IMPLEMENTASI DAN PENGUJIAN

Bab ini membahas tentang hasil implementasi dari metode probabilistic neural

network dalam klasifikasi stadium kanker kolorektal berdasarkan citra colonoscopy

dan pengujian sistem sesuai dengan analisis dan perancangan yang telah dibahas pada

Bab 3.

4.1 Implementasi Sistem

Dalam perancangan sistem klasifikasi stadium kanker kolorektal berdasarkan citra

colonoscopy menggunakan metode Probabilistic Neural Network (PNN) memerlukan

perangkat keras dan perangkat lunak pendukung antara lain:

4.1.1. Perangkat Keras dan Perangkat Lunak

Spesifikasi perangkat keras dan Perangkat lunak yang digunakan dalam membangun

sistem ini adalah:

1. Processor Intel® Core™ i3-4030U CPU @ 1.90GHz.

2. Kapasitas hard disk 500 GB.

3. RAM yang digunakan 2.00 GB.

4. Sistem operasi yang digunakan Windows 10 64 bit.

5. Eclipse Java Neon.

4.1.2. Implementasi Perancangan Antarmuka

Perancangan antarmuka aplikasi dibuat berdasarkan rancangan yang telah dilakukan

pada Bab sebelumnya. Tampilan awal aplikasi merupakan tampilan yang pertama kali

ditampilkan apabila sistem dijalankan. Halaman awal terdiri dari 2 button yaitu ‘Main

Program’ untuk beralih ke halaman program utama, dan button ‘Exit’ untuk keluar

dari aplikasi. Selain itu pada tampilan awal terdapat judul penelitian di bagian atas,


46

logo dan nama peneliti, nim serta institusi. Tampilan awal aplikasi dapat dilihat pada

gambar 4.1

Gambar 4.1. Tampilan Halaman Awal

4.1.3. Implementasi Data

Data yang dimasukkan kedalam sistem adalah citra Colonoscopy yang bersumber dari

Vision and Image Analysis Group (Cornel University), Endoskopi Atlas (Albertinen-

Krankenhaus) dan The Cancer Image Archive (TCIA) public Access. Data tersebut

dibagi menjadi 5 kategori yaitu kanker kolorektal stadium 0, 1, 2, 3 dan 4. Data yang

digunakan sebanyak 98 data, data yang digunakan untuk training berjumlah 55 data

dan untuk testing berjumlah 43 data. Pembagian citra ditunjukkan pada tabel 4.1.

Tabel 4.1. Pembagian Data Latih & Data Uji

No. Stadium Kanker Jumlah data

Training Testing

1 Stadium 0 13 8

2 Stadium 1 15 10

3 Stadium 2 10 8

4 Stadium 3 7 7

5 Stadium 4 10 10

Total 55 43

4.2 Prosedur Operasional

Halaman ‘Main Program’ merupakan halaman yang berfungsi untuk menjalankan

proses testing sistem memiliki 3 bagian:


47

- Menu bar ‘Menu’ yang berisi tombol ‘Training’ untuk masuk kehalaman

training dan ‘Exit’ untuk keluar dari aplikasi.

- Button ‘Pilih Data Test’ untuk menginput data ke sistem untuk diproses dan

button ‘Proses Data Test’ untuk memproses data citra kanker kolorektal yang

telah diinput.

- Text area untuk menampilkan sumber citra.

- Image testing menampilkan citra yang akan diproses.

- Preprocessing untuk menampilkan cita hasil preprocessing yaitu hasil

grayscaling, CLAHE, morphological Closing, substact, tresholding dan

Conneted Component Analysis.

- Text area ekstraksi ciri untuk menampilkan hasil ekstraksi ciri yaitu tujuh

invariant moment citra dan juga text area hasil klasifikasi untuk

menampilkan hasil klasifikasi stadium kanker kolorektal 0, 1, 2, 3, atau 4.

Tampilan halaman ‘Main Program’ dapat dilihat pada gambar 4.2.

Gambar 4.2 Tampilan halaman Main Program

Data latih dapat di upload melalui halaman Training yang diakses dari menu

bar ‘Training’ pada halaman ‘Main Program’. Button yang terdapat pada halaman

‘Training’ adalah button ‘Pilih Data’ untuk masing-masing stadium kanker kolorektal

dan button ‘Proses Data Latih’ untuk memproses data latih yang diinput dan hasilnya

disimpan kedalam database ‘kolorektal.sqlite’ yang nantinya digunakan sebagai data


48

acuan untuk proses Testing. Selain itu ada text area untuk masing-masing stadium

kanker kolorektal yang menampilkan sumber dari citra data latih. Seperti terlihat pada

gambar 4.3.

Gambar 4.3 Tampilan halaman Training

Pada saat button ‘Pilih Data’ dipilih maka akan keluar kotak dialog yang berisi

direktori penyimpanan data training. Kemudian pilih data citra, data dapat dipilih

lebih dari satu atau multiselected. Seperti terlihat pada gambar 4.4.

Gambar 4.4 Tampilan Upload Data Training


49

Setelah data citra diupload maka otomatis aplikasi akan meletakkan lokasi

pengambilan data pada text box yang berada dibawah button ‘Pilih Data’. Setelah data

training selesai diinput kemudian dilanjutkan dengan proses melatih system melalui

button ‘Proses Data Latih’. Sistem akan memproses data latih dan disimpan

kedatabase, setelah proses pelatihan selesai akan muncul kotak dialog seperti pada

gambar 4.5.

Gambar 4.5 Tampilan Proses Latih Data Selesai

Untuk melakukan proses uji data, pilih button ‘Pilih Data Test’ seperti pada

gambar 4.2 kemudian akan muncul kotak dialog berisi direktori penyimpanan data

testing seperti gambar 4.6 untuk memilih citra yang akan diuji. File yang dipilih hanya

satu saja atau dengan kata lain tidak multiselected.


50

Gambar 4.6 Tampilan Upload Citra yang Akan Diuji

Setelah citra yang akan diuji dipilih maka tampilan gambar akan ditampilkan

pada halaman sistem seperti yang ditunjukkan gambar 4.7.

Gambar 4.7 Tampilan Citra yang Akan Diuji

Setelah cita muncul pada halaman sistem, pilih button ‘Proses Data Test’. Sistem akan

memproses data dengan melakukan pre-processing, ekstraksi ciri dan klasifikasi.

Tampilan citra sesudah mengalamai tahap pemrosesan menampilkan citra yang

diupload, citra hasil pre-processing (grayscale, CLAHE, morphological Closing,

substact, tresholding dan Conneted Component Analysis), nilai invariant moment hasil

ekstraksi ciri dan hasil klasifikasi stadium kanker kolorektal menggunakan PNN

(Stadium 0, 1, 2, 3 atau 4) dapat dilihat pada gambar 4.8.


51

Gambar 4.8 Tampilan Hasil Proses Pengujian Citra

4.3 Pengujian Sistem

Pada tahap ini dilakukan pengujian terhadap data dan sistem. Pengujian data

dilakukan pada 8 citra stadium 0, 10 citra stadium 1, 8 citra stadium 2, 7 citra stadium

3 dan 10 citra stadium 4 dengan menggunakan data training 13 citra stadium 0, 15

citra stadium 1, 10 citra stadium 2, 7 citra stadium 3 dan 10 citra stadium 4. Pengujian

sistem dilakukan untuk mengetahui kemampuan sistem yang dibangun. Kemampuan

sistem ini bergantung pada proses pelatihan sistem atau data training. Hasil pengujian

data menunjukkan stadium kanker kolorektal yang diklasifikasi oleh system.

Tabel 4.2 Data Hasil Pengujian

No Citra Nilai PNN Actual

Output

Desired

Output Status

1

0.07602047269099094

0.002977250382626713

2.4829048098410906E-4

3.3843164115422216E-6

9.795434266184801E-5

Stadium 0 Stadium 0 Berhasil

2

0.07548755414477706

4.031357929527589E-5

4.4824958950601174E-5

3.651094608329544E-6

1.0663544651860559E-4


3

0.07541486491168219

8.085391005542927E-5

7.384421897373667E-6

2.5765220591218887E-5

1.8588367985874474E-4


4

6.157355698592033E-4

3.819950667341136E-4

2.9468935035185902E-5

1.3594506479032493E-6

2.3035379347428978E-4


5

3.48000870075821E-8

1.2453392030435278E-10

1.1569902095140387E-9

9.776635002633412E-9

1.7156080918164598E-12



52

Tabel 4.2 Data Hasil Pengujian (Lanjutan)


Output

Desired

Output Status

6

0.00260397364991369

3.0338976835746147E-4

8.076287844456695E-6

3.8230235930615176E-7

1.3954929658970003E-6


7

1.0493612644339877E-4

9.328100964558782E-13

2.427024219455497E-7

9.118868713162255E-7

1.1205868726574654E-15


8

0.0025624769751745437

3.93112826821611E-5

1.2987158833996831E-4

1.6441166126367232E-7

3.170209880527873E-6


9

2.5952763021320882E-5

0.06528432488467205

5.011749723648393E-5

4.728118621907536E-6

2.244136035863274E-6


10

9.295038818001646E-5

0.06598292860993606

0.0017044628114444007

3.0793481778636647E-7

2.147570534413936E-5


11

2.7126435205231174E-5

0.06527075943168394

4.626490490166009E-7

3.574886948645819E-8

6.9652462767200665E-6


12

1.7607251875961409E-4

0.06793351236575389

3.201650828167158E-6

2.845995883724567E-7

1.8867609678091296E-4



53

13

5.822701734252537E-4

0.0017497207414469574

9.296531202824038E-6

1.28233789594136E-5

1.086251966076219E-5




Output

Desired

Output Status

14

1.1733255299552291E-6

9.740690447013624E-6

8.64279809203431E-6

4.806762789140075E-7

4.521667987481337E-8


15

2.6616320147370462E-11

5.138481911022815E-9

5.944668083203345E-12

2.581883359392939E-10

1.4047872048811078E-13


16

1.6519283440812347E-4

0.005354034732087675

2.076483987550469E-7

0.0010861101078067249

1.1218690443598142E-5


17

5.952989070505073E-6

5.070694615997692E-7

6.197961260472609E-4

1.2788117482297442E-5

9.328799273800896E-5

Stadium 2 Stadium 1 Gagal

18

3.890816248216994E-6

5.4161659068965485E-6

7.334709841124611E-6

2.792241572242516E-6

2.808206389583236E-8

Stadium 2 Stadium 1 Gagal

19

2.6225629296324178E-5

3.019245350787236E-6

0.0979072748282481

2.8259508690895828E-5

2.926716258235432E-5


20

0.0013098359694566654

9.23392833496368E-4

0.09880963944309303

5.694376605663679E-6

0.001082658883963838



54

21

0.0029862726174191873

0.0010319933275847802

0.09799070282132574

9.87969579790866E-7

0.003676032970680792




Output

Desired

Output Status

22

4.750676119735043E-6

1.1916833927243301E-6

7.425577778790486E-5

3.481882507880377E-5

8.387724841889964E-7

Stadium

2

Stadium 2 Berhasil

23

5.15296686979375E-4

0.0012069301944110146

0.0031511833455505614

2.911257542067784E-6

3.370414859699998E-4

Stadium

2

Stadium 2 Berhasil

24

9.112044139452882E-5

8.080549693900317E-5

6.388153418411442E-4

5.615927070377886E-7

9.55281762923036E-5

Stadium

2

Stadium 2 Berhasil

25

4.7877956046641425E-4

0.0037328136910012126

0.004010647250556429

1.1912822451628551E-5

1.348212805098576E-4

Stadium

2

Stadium 2 Berhasil

26

1.3207459873327631E-5

4.43164562780764E-5

5.791129659080662E-5

8.169767283266257E-8

1.5227792808691078E-6

Stadium

2

Stadium 2 Berhasil

27

1.6148407333421638E-7

6.50990524341197E-7

6.125494844899125E-8

0.13986487698801167

1.3428119917776171E-5

Stadium

3

Stadium 3 Berhasil


55

28

7.612294287021937E-5

0.012893454554198436

8.559223918547702E-8

0.14043555885666162

5.28761297446671E-6

Stadium

3

Stadium 3 Berhasil

29

4.5533393356961445E-4

1.1109613865535263E-4

1.3133335680199258E-6

0.2800121041414793

3.54841379058837E-8

Stadium

3

Stadium 3 Berhasil



Output

Desired

Output Status

30

5.958535643426531E-5

3.765298664331892E-5

1.872019773314539E-7

3.0008223478684125E-4

7.69993523155915E-8

Stadium

3

Stadium 3 Berhasil

31

8.494134210325728E-6

5.4299011417964525E-6

5.949683986915806E-6

8.873777370396607E-6

3.843149184554166E-8

Stadium

3

Stadium 3 Berhasil

32

2.8846056138434557E-4

7.535662974054255E-5

4.0067034988466036E-4

1.0661555003877554E-6

0.0016995354900855584

Stadium

4

Stadium 3 Gagal

33

3.57340960581161E-7

7.158494307191213E-9

1.918571904807235E-8

4.32425206024857E-6

5.107621218738339E-10

Stadium

3

Stadium 3 Berhasil

34

3.0690554213738554E-5

9.36710330601513E-5

4.925042156805244E-6

4.3398462930473777E-4

0.09793876251549768

Stadium

4

Stadium 4 Berhasil


56

35

6.534842644523764E-5

4.541149269221155E-4

7.789708603419753E-7

1.6927753995527132E-8

0.09801984689882813

Stadium

4

Stadium 4 Berhasil

36

8.373675263462285E-5

3.34949188167735E-5

9.484362997904589E-6

3.6802079403455895E-5

0.09805876116282605

Stadium

4

Stadium 4 Berhasil

37

2.3260349201202762E-5

1.4399434040397054E-5

9.726865641374988E-7

1.347361521986149E-4

6.928338262460599E-4

Stadium

4

Stadium 4 Berhasil



Output

Desired

Output Status

38

1.276910202966827E-7

9.859975608913299E-6

3.179527377075942E-8

2.6708808206962757E-9

3.116961092264316E-5


39

5.139295050625484E-6

5.113795057239403E-7

1.591609383721718E-5

3.372486646536535E-6

0.003109885647723613


40

2.7311789447545345E-6

3.2029135014734637E-5

4.4887859950296767E-7

1.637283294434869E-4

3.8860480192609977E-4


41

4.412215102957604E-6

6.780268683804413E-5

5.325741899266909E-6

2.4777084648752645E-10

0.0010206544047892078



57

42

0.004370879362686083

0.0013962786086119665

0.005567850321073106

8.365587709397589E-6

0.011874601223646183


43

2.2217214642238396E-4

5.759315151298569E-5

6.732431780621264E-6

1.0677833276794347E-6

3.6727283897234996E-4


Tabel hasil pengujian tersebut berisi nam file citra yang diuji, nilai PNN, actual

output yang merupakan jenis citra yang sebenarnya dan desired output yang

merupakan hasil pengujian dari sistem. Selanjutnya terdapat status yang menunjukkan

hasil pengujian berhasil atau gagal. Hasil klasifikasi citra yang akurat atau berhasil

berjumlah 40 citra dan hasil klasifikasi citra yang tidak akurat atau gagal berjumlah 3

citra pada pengujian. Tingkat akurasi dari sistem dapat dihitung dari persamaan 4.1

sebagai berikut:

𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑐𝑖𝑡𝑟𝑎 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑑𝑖𝑢𝑗𝑖 𝑏𝑒𝑛𝑎𝑟

𝑗𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑑𝑎𝑡𝑎 𝑋 100% (4.1)

Tingkat akurasi = 40

43 x 100%

= 93.03%

Dari perhitungan diatas dapat diketahui bahwa tingkat akurasi dari metode

Probabilistic Neural Network dalam klasifikasi stadium kanker kolorektal berdasarkan

citra colonoscopy dengan 43 data uji pada penelitian ini mencapai 93.03%.

4.4 Analisis Precision dan Recall

Precision merupakan tingkat ketepatan antara informasi yang diminta oleh pengguna

dengan jawaban yang diberikan oleh sistem. Sedangkan recall merupakan tingkat

keberhasilan sistem dalam menemukan kembali sebuah informasi. Pada peelitian ini

precision dan recall digunakan untuk mengukur kinerja algoritma Probabilistic

Neural Network (PNN) yang berfungsi untuk mengklasifikasi stadium kanker

kolorektal berdasarkan citra colonoscopy.

Tabel 4.3. Hasil Precision dan Recall Tiap Kategori


58

No

Kategori Relevan

(a)

Tidak

Relevan

(b)

Total

(a+b)

Tidak

ditemu

kan (c)

Total

(a+c)

Recall

[a/(a+c)]

x100%

Precision

[a/(a+b)]

x100%

1 Stadium 0 8 0 8 0 8 100 % 100 %

2 Stadium 1 8 2 10 2 10 80 % 80 %

3 Stadium 2 8 0 8 0 8 100 % 100 %

4 Stadium 3 6 1 7 1 7 85.7 % 85.7 %

5 Stadium 4 10 0 10 0 10 100 % 100 %

Rata-rata 93.14 % 93.14 %

Keterangan:

𝑎 : Hits (dokumen yang relevan)

𝑏 : Noise (dokumen yang tidak relevan)

𝑐 : Missed (dokumen relevan yang tidak ditemukan)

𝑃 : Precision

𝑅 : Recall

Berdasarkan Tabel 4.3 rata-rata nilai precision adalah sebesar 93.14% dan nilai

recall sebesar 93.14% dari skala 0% - 100%. Walaupun nilai precision sama dengan

nilai recall, tingkat keefektifan dari sistem temu kembali informasi pada penelitian ini

sudah dikatakan efektif. Keefektifan suatu sistem dinilai berdasarkan teori yang

dicetuskan oleh Lancaster pada tahun 1991 yaitu relevan dan tidak relevan. Efektifitas

dibedakan menjadi dua bagian, yakni efektif jika nilai di atas 50% dan tidak efektif

jika nilai dibawah 50%. Menurut teori Lee Pao pada 1989, kondisi ideal dari

keefektifan suatu sistem klasifikasi stadium kanker adalah apabila rasio recall dan

precisions sama besarnya. Dengan demikian dapat disimpulkan bahwa sistem ini

efektif karena nilai dari recall dan precision 1:1.


59

BAB 5

KESIMPULAN DAN SARAN

Bab ini menjelaskan tentang kesimpulan yang didapat dari hasil implementasi

algoritma Probabilistic Neural Network (PNN) pada klasifikasi stadium kanker

kolorektal berdasarkan citra colonoscopy, beserta saran-saran yang dapat digunakan

sebagai pengembangan penelitian berikutnya

5.1. Kesimpulan

Berdasarkan hasil penelitian yang dilakukan, kesimpulan dari klasifikasi stadium

kanker kolorektal berdasarkan citra colonoscopy menggunakan metode Probabilistic

Neural Network adalah sebagi berikut:

1. Metode Probabilistic Neural Network (PNN) mampu melakukan

klasifikasi stadium kanker kolorektal berdasarkan citra colonoscopy

dengan baik dan memperoleh tingkat akurasi 93.03% terhadap 43 data

uji.

2. Metode invariant moments merupakan metode ekstraksi ciri yang bagus

dalam mengenali objek.

5.2. Saran

Adapun saran untuk pengembangan penelitian berikutnya adalah sebagai berikut:

1. Menggunakan metode ekstraksi ciri lain untuk memperoleh hasil yang

lebih baik.

2. Menggunakan metode klasifikasi yang lainnya dan data penelitian yang

sama agar dapat dibandingakan dengan metode Probabilistic Neural

Network.

3. Menggunakan data training yang lebih banyak sehingga meningkatkan

akurasi pada tahap testing.


60

DAFTAR PUSTAKA

Ahmad, M. Y., Mohamed, A., Yusof, Y. A. M., dan Ali, S. A. M. 2012. Colorectal

Cancer Image Classification Using Image Pre Processing and Multilayer

Perceptron. International Conference on Computer & Information Science

(ICCIS), pp. 275 – 280.

American Cancer Society. (2011). Colorectal Cancer. Atlanta: American Cancer

Society.

American Cancer Society. (2017). Colorectal Cancer Facts & Figures 2017-2019.

Atlanta: American Cancer Society.

Ariati, S.D. 2015. Klasifikasi Stadium Kanker Kolorektal Menggunakan Model Neuro

Fuzzy Berbasis Graphic User Interface (GUI). Skripsi. Universitas Negeri

Yogyakarta.

Binefa, G., Rodríguez-Moranta, F., Teule, À. dan Medina-Hayas, M. 2014. Colorectal

cancer: From prevention to personalized. (Online) www.wjgnet.com. (12 Juli

2019).

Bouman, C.A. 2015. Digital Image Processing.

https://engineering.purdue.edu/~bouman/ece637/.../ConnectComp.pdf. (14 Juli

2019).

Chairani, R. 2016. Identifikasi Kesuburan Pria Melalui Kelainan Sperma

Berdasarkan Morfologi (Teratospermia) Menggunakan Invariant Moment.

Skripsi. Universitas Sumatera Utara.

Chudasama, D., Patel, T., dan Joshi, S. 2015. Image Segmentation using

Morphological Operation. International Journal of Computer Application

117(18): 16-19.

Fatihah, N. 2016. Identifikasi Jenis Kayu Tropis Menggunakan Backpropagation

Neural Network. Skripsi. Universitas Sumatera Utara.

Fausett, L. 1994. Fundamentals of Neural Networks: Architectures, Algorithms, and

Applications. Prentice-Hall International Inc.

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

Menggunakan Modified K-Nearest Neighbor. Skripsi. Universitas Sumatera

Utara.

Gonzales, R. C & Woods, R. E. 2008. Digital Image Processing. 3rd Edition. Pearson

Prentice Hall.


http://www.wjgnet.com/

https://engineering.purdue.edu/~bouman/ece637/.../ConnectComp.pdf

61

Haggar, F.A. & Boushey, R.P. 2009. Colorectal Cancer Epidemiology: Incidence,

Mortality, Survival, and Risk Factors. Clinics in Colon and Rectal Surgery

22(4): 191-197.

Hajmeer, M dan Basheer, I. 2002. A Probabilistic Neural Network Approach for

Modeling and Classification of Bacterial Growth/No-Growth Data. J.

Microbiol Methods 51: 217 – 226

Hu, M.K. 1962. Visual Pattern Recognition by Moment Invariants. University of

Utah: Utah.

Hutson, N., Adkinson, J., Sidiropoulos, P., Vlachos, I., Iasemidis, L. 2016.

Classification of Ocular Disorders Based on Fractal and Invariant Moment

Analysis of Retinal Fundus Images. Southern Biomedical Engineering

Conference, pp: 57-58.

Kadir, A. & Susanto, A. 2013. Teori dan Aplikasi Pengolahan Citra. Andi:

Yogyakarta.

Kaur, R., Kaur, S. 2013. Object Extraction and Boundary Tracing Algorithms for

Digital Image Processing: Comparative Analysis: A Review. International

Journal of Advanced Research in Computer Science and Sofware Engineering

3(5):263-268.

Komite Penanggulangan Kanker Kolorektal. Panduan Penatalaksanaan Kanker

Kolorektal. Jakarta: Kementrian Kesehatan Republik Indonesia.

Lotfi Abdelhadi and Banyettou Abdelkader. 2014. A reduced probabilistic neural

network for the classification of large databases. Turkish Journal of Electrical

Enginering & Computer Sciences. 979-989.

Maliya, A. 2004. Perubahan Sel Menjadi Kanker dari Sudut Pandang Biologi

Molekuler. Infokes Vol. 8 No. 1.

Masitha, F., Atmaja, R, D. & Sunarya, U. 2017. Deteksi Kanker Kolorektal (Kanker

Usus Besar) Menggunakan Metode Gray Level Coocurance Matrix Dan K-

Nearest Neighbor Berbasis Pengolahan Citra. Jurnal Eproc. Bandung


62

Mishra, M., Jena, A.R., dan Das, R. 2013. A Probabilistic Neural Network Approach

for Classification of Vehicle. International Journal of Application or

Innovation in Engineering & Management (IJAIEM) 2(7): 367 -371.

Munir, R. 2004. Pengolahan Citra Digital. Informatika: Bandung.

Nurrahmadayeni. 2017. Identifikasi Penyakit Hipertensive Retinopathy Melalui Citra

Fundus Retina Menggunakan Probabilistic Neural Network.

Skripsi.Universitas Sumatera Utara.

Palomino, L.V., Jr, V.S, Neto, R.M.F. 2014. Probabilistic Neural Network and Fuzzy

Cluster Analysis Methods Applied to Impedance-Based SHM for Damage

Classifcation. Hindwai Publishing Corporation 2014(2014): 1-12.

Pearce, C, Evelyn. 1999. Anatomi dan Fisiologis untuk Paramedis. Jakarta: Gramedia

Pustaka Utama.

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

Putra, T.W.A. 2013. Pengenalan Wajah Dengan Matriks Kookurensi Aras Keabuan

dan Jaringan Syaraf Tiruan Probabilistik. Tesis. Universitas Diponegoro.

Rahmawati, Z. 2016. Klasifikasi Stadium Kanker Kolorektal Menggunakan Model

Fuzzy Neural Network. Skripsi. Universitas Negeri Yogyakarta.

Ramya, C., Rani, S.S., 2012. A Novel Method for the Contrast Enhancement of Fog

Degraded Video Sequences. International Journal of Coumpter Applications

54(13): 1-5.

Rathore, S., Husain, M., Ali, A., Khan, A. A Recent Survey on Colon Cancer

Detection Techniques. IEEE/ACM Transactions on Computational Biology

and Bioinformatics 10(3): 545 – 563.

Samajpati, B.J. & Degadwala, S.D. 2016. Hybrid Approach for Apple Fruit Diseases

Detection and Classification Using Random Forest Classifier. International

Conference on Communication and Signal Processing, April 6-8, 2016, India

Setianingrum, R. 2014. Klasifikasi Stadium Kanker Kolorektal Menggunakan Model

Recurrent Neural Network. Skripi. Universitas Negeri Yogyakarta.


63

Singh, R.P., Dixit, M. 2015. International Journal of Signal Processing, Image

Processing and Pattern Recognition 8(8): 345-352.

Siregar, G. A. 2007. Deteksi Dini dan Penatalaksanaan Kanker Usus Besar. Pidato

Pengukuhan Jabatan Guru Besar Tetap dalam Bidang Ilmu Penyakit Dalam.

Fakultas Kedokteran Universitas Sumatera Utara.

Shahana, S, Das, D.C.N. 2016. Probabilistic Neural Network Assisted Cell Tracking

and Classification, International Research Journal of Engineering and

Technology (IRJET) 3(8):1155-1161.

Sharma, D.P. 2013. Intensity Transformation using Contrast Limited Adaptive

Histogram Equalization. International Journal of Engineering Research 2(4):

282:285.

Shingare, K.V and Pergad, N.D.2015.An Efficient Brain Image Classification Using

Probabilistic Neural Network and Tumor Detection Using Image Processing.

International Journal of Advance Research in Computer and Communication

Engineering (IJARCCE) 4(5):631-636.

Soltani, Z., Jafarian, A. 2016. A New Artificial Neural Networks Approach for

Diagnosing Diabetes Disease Type II. International Journal of Advanced

Computer Science and Applications 7(6): 89-94.

Specht, D. F. 1988. Probabilistic Neural Networks for Classification, Mapping, or

Associative Memory. IEEE International Conference on Neural Networks, pp.

109-118.

Supriyanto, dr., W .2010. Ancaman Penyakit Kanker Deteksi Dini dan Pengobatannya

Yogyakarta: Penerbit Cahaya Ilmu

Sutoyo, T., Mulyanto, E., Suhartono, V., Nurhayati, O.D. & Wijanarto. 2009. Teori

Pengolahan Citra Digital. Yogyakarta: Penerbit Andi

T, Zulfah Aprilianti, Rizal, A., & Dayawati R. N. 2013. Klasifikasi Kanker Usus

Berdasarkan Citra Mikroskopik Patologi Menggunakan Contourlet Transform

Dan Support Vector Machine. Jurnal Elektro Vol. 6, No. 2: 123 -134.

Tambunan, dr., G., W. 1991. Diagnosis dan Tatalaksana Sepuluh Jenis Kanker

Terbanyak di Indonesia. Jakarta: Penerbit buku kedokteran EGC.


64

Vinitha, V. and Kumar, S.G. 2009. Face Recognition using Probabilistic Neural

Networks. Cochin University of Science and Technology.

WHO http://www.who.int/mediacentre/factsheets/fs297/en/. (15 Juli 2019).

Widiawaty, A., Rihatmadja, R. dan Djurzan, A. 2016. Metode Pemeriksaan pada

Sistem TNM untuk Karsinoma Sel Skuamosa Kulit. JIK, pp.5-16.

Widjaja, E., Zheng, w. & Huang, Z. 2007. Classification of Colonic Tissues Using

Near-infrared Raman Spectroscopy and Support Vector Machines.

International Journal of Oncology 32, pp. 653 – 662.

You, S., Bas, E., Erdogmus, D. Principal Curve Based Retinal Vessel Segmentation

Towards Diagnosis of Retinal Diseases, IEEE International Conference

Healthcare Informatics, Imaging and System Biology. 11: 331–337.


http://www.who.int/mediacentre/factsheets/fs297/en/

KLASIFIKASI STADIUM KANKER KOLOREKTAL BERDASARKAN …

Documents

Transcript of KLASIFIKASI STADIUM KANKER KOLOREKTAL BERDASARKAN …