1 BAB I PENDAHULUAN A. Latar Belakang Kanker adalah

BAB I
PENDAHULUAN
A. Latar Belakang
Kanker adalah pertumbuhan yang tidak normal dari sel-sel jaringan tubuh
dan bersifat ganas. Sel-sel tersebut dapat tumbuh lebih lanjut serta menyebar ke
bagian tubuh lainnya serta dapat menyebabkan kematian. Sel kanker tidak mati
setelah usianya cukup melainkan tumbuh terus dan bersifat menyerang sehingga
sel tubuh yang normal dapat terdesak atau mati (Pusat Data dan Informasi
Kementerian Kesehatan RI, 2016). Kanker menjadi penyebab kematian nomor 2
di dunia yaitu sebesar 13% (WHO, 2016). Berdasarkan data GLOBOCAN,
International Agency for Research on Cancer (IARC) pada tahun 2008 sampai
tahun 2012 terdapat 14,1 juta kasus kanker baru, 8,2 juta kematian akibat kanker
dan 32,6 juta orang yang hidup dengan kanker. Sedangkan menurut National
Cancer Institute pada tahun 2016, diperkirakan terdapat sebanyak 1.685.210 kasus
baru untuk penderita kanker di seluruh dunia dan diperkirakan sebanyak 595.690
orang meninggal akibat kanker. Ancaman kanker di dunia semakin meningkat
seiring dengan perubahan pola hidup masyarakat. Menurut Organisasi
Penanggulangan Kanker Dunia dan Badan Kesehatan Dunia, diperkirakan terjadi
peningkatan kejadian kanker di dunia 300 persen pada tahun 2030 dan mayoritas
terjadi di negara-negara berkembang termasuk Indonesia.
Salah satu jenis kanker yaitu kanker payudara menjadi jenis kanker yang
sangat menakutkan bagi wanita di seluruh dunia termasuk di Indonesia. Menurut
American Cancer Society, kanker payudara adalah tumor ganas yang terbentuk
1
dari sel-sel di payudara yang mulai tumbuh di luar kendali. Sel-sel ini biasanya
berbentuk benjolan. Tumor ganas (kanker) terjadi jika sel-sel dapat tumbuh
(menyerang) sekitar jaringan atau menyebar (bermetastasis) ke daerah-daerah
yang jauh dari tubuh. Sel di hampir setiap bagian dari tubuh dapat menjadi kanker
dan dapat menyebar ke area lain dari tubuh. Kanker payudara terjadi hampir
seluruhnya pada wanita, tetapi pria juga dapat mengalaminya. Kanker payudara
pada pria lebih jarang terjadi daripada kanker payudara pada wanita.
Perbandingannya yaitu 1 dari 150 kasus kanker payudara. (Gejala dan Tanda
dalam Kedokteran Klinis, 2012: 337).
Kanker payudara adalah kanker paling umum kedua di dunia dan
merupakan kanker yang paling sering terjadi pada perempuan dengan perkiraan
1,67 juta kasus kanker baru yang didiagnosis pada tahun 2012 atau 25% dari
semua jenis kanker (GLOBOCAN IARC, 2012). American Cancer Society
memperkirakan pada tahun 2017 di U.S Amerika terjadi sebanyak 252.710 kasus
kanker baru yang didiagnosa pada perempuan dan sebanyak 40.610 kasus
kematian yang diperkirakan akan terjadi akibat kanker payudara. Sedangkan di
Indonesia sendiri penyakit kanker serviks dan kanker payudara merupakan
penyakit kanker dengan prevalensi tertinggi di Indonesia pada tahun 2013, yaitu
kanker serviks sebesar 0,8 % atau sekitar 98.692 penderita dan kanker payudara
sebesar 0,5% atau sekitar 61.682 penderita. Berdasarkan data di RS Kanker
Dharmis Jakarta dari 10 jenis kanker, kanker payudara menduduki urutan pertama
dalam 10 tahun terakhir sampai tahun 2016. Bahkan terjadi peningkatan setiap
2
tahunnya, proporsi kanker payudara sekitar 40% dari seluruh kasus kanker di
rumah sakit tersebut (Kementerian Kesehatan RI, 2016).
Masalah terbesar dalam penanggulangan kanker saat ini adalah banyaknya
informasi yang kurang dapat dipertanggungjawabkan tersebar di masyarakat
sehingga pasien tidak melakukan pengobatan secara benar dan baru datang ke
fasilitas pelayanan kesehatan setelah terlambat ditangani (Kementerian Kesehatan
RI, 2016). Oleh karena itu, pengenalan
kanker merupakan hal yang paling
penting untuk dilakukan guna meningkatkan kewaspadaan dan pengetahuan
mengenai kanker payudara, serta menggerakkan individu untuk melakukan upaya
pencegahan, deteksi dini dan pengobatan terhadap kanker payudara, sehingga
resiko terkena kanker payudara dapat dikurangi.
Deteksi dini kanker payudara memegang peranan penting dalam
mengantisipasi penyebaran kanker. Dengan deteksi dini, timbulnya sel-sel kanker
dapat segera diatasi dan dicegah penyebarannya. Kanker payudara dapat dideteksi
salah satunya melalui diagnosis dari massa payudara dengan menggunakan
beberapa metode diantaranya yaitu fine-needle aspiration (FNA) biopsy, core
needle biopsy, atau excisional biopsy. FNA adalah cara termudah dan tercepat
untuk mendapatkan biopsi payudara dan efektif bagi wanita yang memiliki kista
berisi cairan. FNA menggunakan jarum yang lebih kecil dari yang digunakan
untuk tes darah untuk mengeluarkan cairan, sel, dan fragmen kecil jaringan untuk
diteliti di bawah mikroskop (Shahura dkk, 2016: 136). Penggunaan FNA dalam
mendeteksi kanker payudara salah satunya dilakukan oleh University of Wisconsin
Hospital. Wisconsin Breast Cancer Database (WBCD) dan Wisconsin Diagnostic
3
Breast Cancer (WDBC) merupakan data set yang diperoleh dari hasil FNA biopsi
payudara dari pasien di University of Wisconsin Hospitals. Berdasarkan hasil
sampel FNA yang diambil, ditetapkan sembilan parameter berdasarkan
karakteristik sel, yaitu clump thickness, uniformity of cell size, uniformity of cell
shape, marginal adhesion, single epithelial cell size, bare nuclei, bland
chromatin, normal nucleoli dan mitoses. Kesembilan parameter tersebut
merupakan isi dari data set Wisconsin Breast Cancer Database (WBCD).
Sedangkan untuk data Wisconsin Diagnostic Breast Cancer (WDBC) diperoleh
dari karakteristik inti sel dari sebuah gambar digital massa payudara, sehingga
berdasarkan hasil sampel FNA yang telah diambil diperoleh sepuluh parameter
untuk data WDBC, yaitu radius, texture, perimeter, area, compactness,
smoothness, concavity, concave points, symmetry dan fractal dimension. Kedua
jenis data tersebut mengklasifikasikan tumor payudara menjadi dua kelas, yaitu
tumor jinak (benign) dan tumor ganas (malignant) (Salama et al, 2012: 36-38).
Penelitian-penelitian yang menggunakan data Wisconsin untuk klasifikasi
kanker payudara diantaranya dilakukan oleh Salama, Abdelhelim dan Zeid (2012)
yang melakukan klasifikasi kanker payudara dengan menggunakan 3 jenis data
yang berbeda yang diperoleh dari University of Wisconsin Hospital yaitu
Wisconsin Breast Cancer Database (WBCD), Wisconsin Diagnostic Breast
Cancer (WDBC) serta Wisconsin Prognostic Breast Cancer (WPBC). Tujuan dari
penelitian tersebut untuk membandingkan beberapa metode klasifikasi, yaitu
metode Naïve Bayes, Multi Layer Perceptron (MLP), algoritma J48, metode
Support Vector Machine (SVM) dan metode K Nearest Neighbour (KNN) dimana
4
masing-masing metode tersebut diterapkan pada ketiga jenis data Wisconsin yang
berbeda. Klasifikasi kanker payudara perlu dilakukan untuk menelusuri sebaran
dan karakteristik hasil pemeriksaan diagnosa. Klasifikasi dapat diselesaikan
dengan teknik-teknik pendekatan secara fungsional yang dikenal dengan istilah
soft computing.
Soft computing merupakan suatu model pendekatan untuk melakukan
komputasi dengan meniru kemampuan akal manusia yang luar biasa untuk
menalar dan belajar pada lingkungan yang memiliki ketidakpastian dan
ketidaktepatan (Jang et al, 1997). Beberapa teknik dalam soft computing antara
lain sistem fuzzy, Artificial Neural Network (ANN), algoritma evolusioner, dan
probabilistic reasoning. Salah satu karakteristik dari soft computing yaitu model
komputasi yang berbasis biologis yang mampu menangani permasalahan yang
berkaitan dengan persepsi, pengenalan pola, regresi non linier dan klasifikasi.
Komponen utama pembentuk soft computing adalah neural network dan
logika fuzzy (Kusumadewi & Hartati, 2010:1). Neural network adalah generasi
baru dari sistem pemrosesan informasi yang sengaja dibangun untuk
memanfaatkan beberapa prinsip organisasi yang menjadi karakteristik otak
manusia (Lin & Lee, 1996:5). Masing-masing elemen pemrosesan (node) dalam
neural network memiliki nilai dari input dimana masing-masing input saling
terkoneksi, selanjutnya dilakukan operasi matematika untuk menghasilkan nilai
output. Setiap koneksi memiliki bobot terkait yang menentukan efek dari input
yang masuk pada tingkat aktivasi dari node. Nilai bobot ditentukan oleh suatu
prosedur pembelajaran dari neural network. Masing-masing jenis pembelajaran
5
dapat diklasifikasikan lebih lanjut menjadi tiga kategori yaitu, supervised
learning, reinforcement learning dan unsupervised learning.
Penelitian terkait neural network untuk klasifikasi telah dilakukan,
diantaranya oleh Paulin dan Santhakumaran (2010) yang menggunakan metode
backpropagation untuk klasifikasi kanker payudara berdasarkan data Wisconsin
Breast Cancer (WBC) ke dalam kriteria benign dan malignant dengan tingkat
akurasi 99,28%. Sedangkan pada tahun 2015, Apriani membandingkan model
Recurrent Neural Network, Fuzzy Sugeno dan Recurrent Neuro Fuzzy untuk
klasifikasi stadium kanker payudara dengan menggunakan data citra mamografi.
Hasil dari penelitian tersebut diperoleh model Recurrent Neural Network
memiliki nilai sensitivitas, spesifisitas dan akurasi yang lebih baik daripada model
Fuzzy Sugeno dan Recurrent Neuro Fuzzy.
Terdapat juga penelitian dengan menggunakan salah satu pendekatan
model neural network yaitu Radial Basis Function (RBF). Radial Basis Function
(RBF) adalah tipe khusus dari neural network yang menggunakan radial basis
function sebagai fungsi aktivasinya (Santhanam & Subhajini, 2011: 964). Jaringan
ini terdiri dari tiga layer yaitu input layer, hidden layer dan output layer. Fungsi
aktivasinya adalah fungsi basis dan fungsi linear pada lapisan output. Radial basis
function neural network merupakan salah satu jenis dari neural network yang
memiliki kelebihan tertentu termasuk kemampuan pendekatan yang lebih baik,
jaringan arsitektur sederhana dan algoritma pembelajaran yang lebih cepat. Ide
utama jaringan saraf RBF adalah untuk menciptakan jumlah neuron tersembunyi
6
yang tepat dan menentukan bobot masing-masing neuron (Zakharov et al, 2014:
714).
Penelitian terkait dengan Radial Basis Function (RBF) salah satunya
dilakukan oleh Masala, Golosio, dan Pola (2013) yang menggunakan
pengklasifikasian dua layer berdasarkan metode Radial Basis Function (RBF)
untuk skrining Talasemia. Sedangkan pada tahun 2005, Soelaiman, Purwitasari &
Hayati menggunakan metode pengklasifikasian hybrid berbasis Radial Basis
Function (RBF) dan pohon keputusan induktif untuk pengembangan sistem
pengenalan wajah.
Penelitian-penelitian lainnnya terkait Radial Basis Function (RBF) juga
dilakukan pada kasus pengklasifikasian dan diagnosa kanker payudara.
Diantaranya yaitu penelitian yang dilakukan oleh Kumala (2016) yang
membandingkan 2 metode clustering yang berbeda yaitu K Means dan C Means
pada model Radial Basis Function Neural Network (RBFNN) untuk klasifikasi
stadium kanker payudara. Hasil yang diperoleh dari penelitian tersebut
menunjukkan bahwa metode K Means clustering lebih baik dibandingkan C
Means dengan nilai sensitivitas, spesifisitas, dan akurasi pada metode K Means
clustering secara berurutan adalah 75%, 93,75%, dan 80,21% untuk data training
dan 81,25%, 75%, dan 79,17% untuk data testing.
Penelitian lain terkait penggunaan metode RBFNN untuk klasifikasi
kanker payudara dilakukan oleh Raad, Kalakech dan Ayache pada tahun 2012
yang melakukan klasifikasi kanker payudara dengan menggunakan pendekatan
Neural Network: MLP (Multi Layer Perceptron) dan RBF (Radial Basis
7
Function). Penelitian tersebut menggunakan data dari Wisconsin Diagnostic and
Prognostic Breast Cancer dengan 9 variabel dan menggunakan algoritma
pembelajaran backpropagation. Sedangkan output yang dihasilkan terdiri dari 2
kelas, yaitu benign (tumor) dan malignant (kanker). Hasil akurasi yang diperoleh
dari penelitian tersebut menunjukkan bahwa metode RBF lebih baik dibandingkan
dengan metode MLP.
Komponen pembentuk soft computing berikutnya yaitu logika fuzzy.
Logika fuzzy digunakan sebagai suatu cara untuk memetakan permasalahan dari
input menuju ke output yang diharapkan (Kusumadewi & Purnomo, 2010).
Menurut Roujas (1996), logika fuzzy dapat dikonseptualisasikan sebagai
generalisasi dari logika klasik dimana metode-metode pada logika fuzzy dapat
digunakan untuk memberikan interprestasi dari suatu nilai output pada unit yang
tidak terbatas dari 0 sampai 1.
Fuzzy Neural Network (FNN) merupakan salah satu gabungan sistem
fuzzy dengan ANN. Artificial Neural Network (ANN) adalah sistem informasi
pengolahan yang memiliki karakteristik kinerja yang sama dengan jaringan saraf
biologis. ANN telah dikembangkan sebagai generalisasi model matematika
berdasarkan asumsi bahwa pengolahan informasi terjadi pada banyak elemen
sederhana yang disebut neuron (Fausett, 1993:3). Model FNN merupakan
arsitektur jaringan yang dirancang untuk memroses data-data fuzzy. Pada FNN,
parameter-parameter yang dimiliki ANN yang biasanya disajikan secara crisp,
dapat diganti dengan parameter-parameter fuzzy (Lin & Lee, 1996:609). Model
8
FNN sering digunakan untuk sistem kendali, penyelesaian masalah prediksi yang
bersifat runtun waktu, dan klasifikasi pola.
Penelitian-penelitian sebelumnya yang menggunakan FNN telah dilakukan
antara lain penelitian oleh Rahmawati (2016) menggunakan Fuzzy Neural
Network (FNN) dengan model Feedforward Neural Network dengan input berupa
variabel-variabel fuzzy dan output berupa klasifikasi stadium kanker kolorektal.
Penelitian lainnya dilakukan oleh Mohammed (2014) dengan mengkombinasikan
metode fuzzy logic system dan fuzzy neural network (FNN) pada sistem kesalahan
diagnosa.
Seiring dengan perkembangan kemampuan intelektual manusia untuk
menciptakan penelitian baru dan mengembangkan penelitian-penelitian terdahulu
agar dapat memperoleh hasil yang lebih akurat, maka munculah berbagai macam
metode dan penelitian baru terkait klasifikasi stadium kanker payudara yaitu
metode Fuzzy Radial Basis Function Neural Network (FRBFNN). Fuzzy Radial
Basis Function Neural Network (FRBFNN) merupakan gabungan dari sistem
fuzzy, Radial Basis Function (RBF) dan Neural Network (NN).
Fuzzy Radial Basis Function Neural Network (FRBFNN) adalah model
RBFNN dengan input berupa himpunan fuzzy. Konsep dasar dari model Fuzzy
Radial Basis Function Neural Network (FRBFNN) ini adalah penerapan aplikasi
teori fuzzy ke dalam model dasar Radial Basis Function (RBF). Langkah tersebut
dimaksudkan untuk dapat mengembangkan kualitas hasil output dari terbatasnya
data dan menanggulangi kesalahan akibat adanya penyimpangan ukuran yang
pada awal perencanaan diabaikan (Chi & Hsu, 2001).
9
Penggunaan metode Fuzzy Radial Basis Function Neural Network
(FRBFNN) telah dilakukan dalam berbagai penelitian sebelumnya. Pada tahun
2008, Pehlivan dan Apaydin melakukan penelitian untuk membandingkan antara
Fuzzy Kernel Regression (FNPR) dengan FRBFNN dimana nilai input, output dan
bobot pada metode FRBFNN merupakan bilangan fuzzy. Penelitian tersebut
menggunakan data percobaan analisis kimia, mikrobiologi serta organoleptik.
Hasil dari penelitian tersebut menunjukkan bahwa metode FNPR lebih baik
dibandingkan dengan FRBFNN. Penelitian lainnya dilakukan oleh Karthikeyeni
dan Ramya (2014) yang membandingkan antara metode Artificial Neuro Fuzzy
Inference System (ANFIS) dengan FRBFNN pada prediksi waktu survival pasien
kanker paru-paru. Hasilnya yaitu bahwa teknik FRBFNN memiliki tingkat akurasi
yang lebih tinggi dari pada metode ANFIS. Pada tahun yang sama, Ayunda,
Irawan dan Karnaningroem menggunakan model Fuzzy Radial Basis Function
untuk peramalan nilai Biochemical Oxygen Demand (BOD) pada kali Surabaya.
Penelitian terdahulu terkait penggunaan model FRBFNN untuk klasifikasi
kanker payudara telah dilakukan sebelumnya oleh Senol dan Yildirim (2009).
Mereka
membandingkan
beberapa
metode
struktur
hybrid
yang
mengkombinasikan antara neural network dengan fuzzy logic untuk klasifikasi
stadium kanker thyroid dan kanker payudara. Salah satu metode yang digunakan
yaitu fuzzy-RBF. Penggunaan metode fuzzy-RBF pada penelitian tersebut
menggunakan algoritma Orthogonal Least Square (OLS) untuk mencari nilai
bobot yang menghubungkan antara hidden layer dan output layer. Sedangkan
10
pada tugas akhir ini, estimasi bobot dilakukan dengan menggunakan metode
global ridge regression.
Berdasarkan hal-hal yang telah diuraikan di atas, melatarbelakangi penulis
untuk melakukan penelitian mengenai klasifikasi stadium kanker payudara
menggunakan model Fuzzy Radial Basis Function Neural Network (FRBFNN).
Oleh karena itu, penelitian yang berjudul “Penerapan Model Fuzzy Radial Basis
Function Neural Network (FRBFNN) untuk Klasifikasi Stadium Kanker
Payudara” pada tugas akhir ini diharapkan dapat memberikan hasil yang baik dan
bermanfaat di bidang matematika maupun kesehatan.
B. Rumusan Masalah
Berdasarkan latar belakang di atas maka permasalahan dalam penelitian ini
dapat dirumuskan sebagai berikut:
1. Bagaimana prosedur klasifikasi stadium kanker payudara pada model
Fuzzy
Radial
Basis
Function
Neural
Network
(FRBFNN)
dengan
menggunakan data Wisconsin Breast Cancer Database (WBCD) dan data
Wisconsin Diagnostic Breast Cancer (WDBC)?
2. Bagaimana hasil klasifikasi stadium kanker payudara pada model Fuzzy
Radial Basis Function Neural Network (FRBFNN) dengan menggunakan data
Wisconsin Breast Cancer Database (WBCD) dan data Wisconsin Diagnostic
Breast Cancer (WDBC)?
C. Tujuan Penelitian
Berdasarkan rumusan masalah di atas maka tujuan penulisan penelitian ini adalah:
11
1. Mendeskripsikan prosedur klasifikasi stadium kanker payudara pada model
Fuzzy
Radial
Basis
Function
Neural
Network
(FRBFNN)
dengan
menggunakan data Wisconsin Breast Cancer Database (WBCD) dan data
Wisconsin Diagnostic Breast Cancer (WDBC).
2. Mendeskripsikan hasil klasifikasi stadium kanker payudara pada model
Fuzzy
Radial
Basis
Function
Neural
Network
(FRBFNN)
dengan
menggunakan data Wisconsin Breast Cancer Database (WBCD) dan data
Wisconsin Diagnostic Breast Cancer (WDBC).
D. Manfaat Penelitian
Manfaat yang dapat diperoleh dari penelitian ini adalah:
1. Bagi penulis
Bagi penulis sendiri, penulisan skripsi ini dapat menambah pengetahuan dan
wawasan tentang aplikasi model FRBFNN dalam kehidupan sehari-hari,
khususnya dalam bidang kesehatan.
2. Bagi para pembaca
Sebagai salah satu bahan dalam mempelajari model FRBFNN dan MATLAB
serta diharapkan penelitian ini dapat dijadikan sebagai referensi untuk
penelitian selanjutnya.
3. Bagi perpustakaan Universitas Negeri Yogyakarta
Penulisan skripsi ini juga bermanfaat dalam menambah koleksi bahan pustaka
yang bermanfaat bagi Universitas Negeri Yogyakarta pada umunya dan
mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam pada
khususnya.
12