KLASIFIKASI STADIUM KANKER KOLOREKTAL BERDASARKAN …
Transcript of 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
UNIVERSITAS SUMATERA UTARA
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
FIKWATER MARUBA SIMANJUNTAK
131402087
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2019
UNIVERSITAS SUMATERA UTARA
i
UNIVERSITAS SUMATERA UTARA
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
FIKWATER MARUBA SIMANJUNTAK
131402087
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
ix
5.2. Saran 59
DAFTAR PUSTAKA 60
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
xi
DAFTAR GAMBAR
Gambar 2.1. Penyebaran Kanker Kolorektal 10
Gambar 2.2. Citra Colonoscopy Kanker Kolorektal Stadium 0 11
Gambar 2.3. Citra Colonoscopy Kanker Kolorektal Stadium 1 12
Gambar 2.4. Citra Colonoscopy Kanker Kolorektal Stadium 2 12
Gambar 2.5. Citra Colonoscopy Kanker Kolorektal Stadium 3 12
Gambar 2.6. Citra Colonoscopy Kanker Kolorektal Stadium 4 13
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
UNIVERSITAS SUMATERA UTARA
xii
Gambar 4.8. Tampilan Hasil Proses Pengujian Citra 50
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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)
UNIVERSITAS SUMATERA UTARA
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)
UNIVERSITAS SUMATERA UTARA
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
Gambar 2.3. Citra colonoscopy kanker kolorektal stadium 1
(Sumber: Endoskopi Atlas, Albertinen-Krankenhaus)
Kanker telah berkembang ke lapisan kedua atau ketiga dinding usus. Namaun
belum menyebar ke lapisan luar dinding usus.
c. Stadium 2
Gambar 2.4. Citra colonoscopy kanker kolorektal stadium 2
(Sumber: Endoskopi Atlas, Albertinen-Krankenhaus)
Kanker telah berkembang ke lapisan keempat atau lapisan lapisan terluar usus
dan telah menyebar kelenjar getah bening.
d. Stadium 3
Gambar 2.5. Citra colonoscopy kanker kolorektal stadium 3
(Sumber: Endoskopi Atlas, Albertinen-Krankenhaus)
UNIVERSITAS SUMATERA UTARA
13
Kanker telah memasuki tahap lanjut. Sel kanker telah menyebar ke jaringan
terdekat usus besar dan rektum
e. Stadium 4
Gambar 2.6. Citra colonoscopy kanker kolorektal stadium 4
(Sumber: Endoskopi Atlas, Albertinen-Krankenhaus)
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
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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:
UNIVERSITAS SUMATERA UTARA
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):
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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)
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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).
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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%.
UNIVERSITAS SUMATERA UTARA
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%
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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)
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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]
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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,
UNIVERSITAS SUMATERA UTARA
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:
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
Stadium 0 Stadium 0 Berhasil
3
0.07541486491168219
8.085391005542927E-5
7.384421897373667E-6
2.5765220591218887E-5
1.8588367985874474E-4
Stadium 0 Stadium 0 Berhasil
4
6.157355698592033E-4
3.819950667341136E-4
2.9468935035185902E-5
1.3594506479032493E-6
2.3035379347428978E-4
Stadium 0 Stadium 0 Berhasil
5
3.48000870075821E-8
1.2453392030435278E-10
1.1569902095140387E-9
9.776635002633412E-9
1.7156080918164598E-12
Stadium 0 Stadium 0 Berhasil
UNIVERSITAS SUMATERA UTARA
52
Tabel 4.2 Data Hasil Pengujian (Lanjutan)
No Citra Nilai PNN Actual
Output
Desired
Output Status
6
0.00260397364991369
3.0338976835746147E-4
8.076287844456695E-6
3.8230235930615176E-7
1.3954929658970003E-6
Stadium 0 Stadium 0 Berhasil
7
1.0493612644339877E-4
9.328100964558782E-13
2.427024219455497E-7
9.118868713162255E-7
1.1205868726574654E-15
Stadium 0 Stadium 0 Berhasil
8
0.0025624769751745437
3.93112826821611E-5
1.2987158833996831E-4
1.6441166126367232E-7
3.170209880527873E-6
Stadium 0 Stadium 0 Berhasil
9
2.5952763021320882E-5
0.06528432488467205
5.011749723648393E-5
4.728118621907536E-6
2.244136035863274E-6
Stadium 1 Stadium 1 Berhasil
10
9.295038818001646E-5
0.06598292860993606
0.0017044628114444007
3.0793481778636647E-7
2.147570534413936E-5
Stadium 1 Stadium 1 Berhasil
11
2.7126435205231174E-5
0.06527075943168394
4.626490490166009E-7
3.574886948645819E-8
6.9652462767200665E-6
Stadium 1 Stadium 1 Berhasil
12
1.7607251875961409E-4
0.06793351236575389
3.201650828167158E-6
2.845995883724567E-7
1.8867609678091296E-4
Stadium 1 Stadium 1 Berhasil
UNIVERSITAS SUMATERA UTARA
53
13
5.822701734252537E-4
0.0017497207414469574
9.296531202824038E-6
1.28233789594136E-5
1.086251966076219E-5
Stadium 1 Stadium 1 Berhasil
Tabel 4.2 Data Hasil Pengujian (Lanjutan)
No Citra Nilai PNN Actual
Output
Desired
Output Status
14
1.1733255299552291E-6
9.740690447013624E-6
8.64279809203431E-6
4.806762789140075E-7
4.521667987481337E-8
Stadium 1 Stadium 1 Berhasil
15
2.6616320147370462E-11
5.138481911022815E-9
5.944668083203345E-12
2.581883359392939E-10
1.4047872048811078E-13
Stadium 1 Stadium 1 Berhasil
16
1.6519283440812347E-4
0.005354034732087675
2.076483987550469E-7
0.0010861101078067249
1.1218690443598142E-5
Stadium 1 Stadium 1 Berhasil
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
Stadium 2 Stadium 2 Berhasil
20
0.0013098359694566654
9.23392833496368E-4
0.09880963944309303
5.694376605663679E-6
0.001082658883963838
Stadium 2 Stadium 2 Berhasil
UNIVERSITAS SUMATERA UTARA
54
21
0.0029862726174191873
0.0010319933275847802
0.09799070282132574
9.87969579790866E-7
0.003676032970680792
Stadium 2 Stadium 2 Berhasil
Tabel 4.2 Data Hasil Pengujian (Lanjutan)
No Citra Nilai PNN Actual
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
UNIVERSITAS SUMATERA UTARA
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
Tabel 4.2 Data Hasil Pengujian (Lanjutan)
No Citra Nilai PNN Actual
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
UNIVERSITAS SUMATERA UTARA
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
Tabel 4.2 Data Hasil Pengujian (Lanjutan)
No Citra Nilai PNN Actual
Output
Desired
Output Status
38
1.276910202966827E-7
9.859975608913299E-6
3.179527377075942E-8
2.6708808206962757E-9
3.116961092264316E-5
Stadium 4 Stadium 4 Berhasil
39
5.139295050625484E-6
5.113795057239403E-7
1.591609383721718E-5
3.372486646536535E-6
0.003109885647723613
Stadium 4 Stadium 4 Berhasil
40
2.7311789447545345E-6
3.2029135014734637E-5
4.4887859950296767E-7
1.637283294434869E-4
3.8860480192609977E-4
Stadium 4 Stadium 4 Berhasil
41
4.412215102957604E-6
6.780268683804413E-5
5.325741899266909E-6
2.4777084648752645E-10
0.0010206544047892078
Stadium 4 Stadium 4 Berhasil
UNIVERSITAS SUMATERA UTARA
57
42
0.004370879362686083
0.0013962786086119665
0.005567850321073106
8.365587709397589E-6
0.011874601223646183
Stadium 4 Stadium 4 Berhasil
43
2.2217214642238396E-4
5.759315151298569E-5
6.732431780621264E-6
1.0677833276794347E-6
3.6727283897234996E-4
Stadium 4 Stadium 4 Berhasil
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
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA
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.
UNIVERSITAS SUMATERA UTARA