klasifikasi kanker usus besar menggunakan ekstrasi ciri statistik

Tugas Akhir - 2013
KLASIFIKASI KANKER USUS BESAR MENGGUNAKAN EKSTRASI CIRI
STATISTIK GREY LEVEL CO-OCCURANCE MATRIX DENGAN METODE
LEVENBERG-MARQUARDT ALGORITHM
Yudhi Daya Kurniawan¹, Bedy Purnama², Mahmud Imrona ³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Kanker usus besar merupakan penyakit kanker yang dapat di derita manusia dikarenakan
bertambahnya umur setiap manusia dan pengolahan yang tidak seharusnya, seperti makan tidak
teratur serta tidak membuang air besar untuk waktu yang lama. Tetapi tidak munutup
kemungkinan kanker usus besar dapat menyerang secara dini. Saat ini untuk pengecekan sebuah
kanker usus besar masih menggunakan cara yang manual dengan melihat langsung sel di
mikroskop dan dibandingkan dengan sel usus besar yang normal. Tuntutan paramedic untuk
mediagnosa cepat kanker ususbesar dengan akurat sangat diharapkan banyak orang
Pada tugas akhir ini, akan dibangun sebuah system pengklasifikasian menggunakan Grey Level
Co-occurrence Matrix (GLCM) dengan metode trainingnya Levenberg-Marquardt Algorithm
(LMA).
Pada Tugas akhir ini, diteliti terkait dengan LMA, yang meliputi jumlah masukan, epoch, learning
rate, dan jumlah hidden neuron. Klasifikasi kanker usus besar sendiri dalam hal preprocessing
untuk mencirikan tekstur dari sel di usus besar. Yang diambil menggunakan kamera digital, yang
dihadapkan langsung pada lesa okuler dari mikroskop di RU Hasan Sadikin bandung.
Menggunakan ekstrasi ciri stattistik Grey Level Co-occurrence Matrix (GLCM), yang akan
dilanjutkan pemrosesan training menggunakan Levenberg-Marquardt Algorithm (LMA). Yang
didapat hasil 83% untuk gambar jaringan utuh kanker usus besar dan nilai akurasi 90% untuk
citra yang sudah di crop persel.
Kata Kunci : klasifikasi kanker usus besar, artificial neural network, Grey Level Co-occurrence
Matrix, levenberg marquardt algorithm.
Abstract
Colon Cancer is Cancer can be affects humans. Because Increasing age every human being and
processing should not be. for example, irregular eating and do not defecate for a long time. But
did not rule out colon cancer can strike early. Now check a colon cancer are still using manual. By
looking directly at the microscope and cells compared with normal colon cells. Demands
paramedics to quickly diagnose colon cancer with highly accurate expected a lot of people.
This final assignment, will be constructed a classification system using Grey Level Co-occurrence
Matrix (GLCM) with methods Levenberg-Marquardt Algorithm (LMA).
This final assignment, observed associated with the LMA, which includes the number of inputs,
epochs, learning rate, and the number of hidden neurons. classification of colon cancer itself in
terms of preprocessing to characterize the texture of cells in colon. Were taken using a digital
camera, that directly confronted the ocular lens of the microscope In Hasan Sadikin bandung
hospital. Using characteristic extraction stattistik Grey Level Co-occurrence Matrix (GLCM),
which will continue processing training using Levenberg-Marquardt Algorithm (LMA). obtained
results of 83% for intact tissue images colon cancer and 90% accuracy values for the image that
already in the crop each cell.
Keywords : colon cancer classification, artificial neural network, Grey Level Co-occurrence Matrix,
Levenberg Marquardt algorithm.
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2013
BAB I
PENDAHULUAN
1.1 Latar Belakang
Pada dasarnya manusia memiliki system pencernaan yang bernama usus, dalam hal
ini usus ialah bagian dari system pencernaan yang bermula dari akhir lambung sampai
anus. Usus sendiri memiliki 2 bagian yaitu usus halus dan usus besar [15], yang di mana
setiap bagian memiliki perbedaan dalam kerja nya. Di dalam usus besar atau yang
dinamakan kolon, sendiri berada antara usus buntu dan rectum. Fungsi utama usus besar
ialah menyerap mineral dari pengolahan terakhir makanan pada manusia. Usus besar
sendiripun tidak luput dari suatu penyakit, dari penyakit yang kecil hingga penyakit yang
besar dan semakin bertambahnya umur yang membuat usus besar mudah mendapatkan
suatu kelainan dan juga dengan pola makan yang tidak teratur.
Dalam suatu penyakit pendeteksian dan pengklasifikasian kanker pada suatu
penyakit lebih awal akan memungkinkan penyembuhan yang cepat, mudah, dan murah
pagi pasien yang terkena. Terutama penyakit kanker, dalam hal ini kanker usus besar
sendiri yang riskan terkena. Oleh karena itu menuntut paramedic dalam pendiagnosaan
yang akurat dan cepat untuk meminimalisir yang terjadi. Tetapi pendeteksian saat ini
tergolong manual yaitu dengan mengecek sel pada usus besar itu sendiri dan di amati
melalui mikroskop yang akhir nya dapat di diagnosa penyakit kanker pada usus besar.
Kesalahan pada manusia pun mungkin saja terjadi dan dapat mempengaruhi hasil dari
pendiagnosaan.
Oleh sebab itu di bangun tugas akhir ini yang bertujuan untuk simulasi
pengklasifikasian kanker pada usus besar, dengan memanfaatkan citra pada kelenjar usus
besar dalam bentuk digital. Citra itu sendiri diambil menggunakan kamera digital yang
dimana lensa dari kamera digital itu sendiri di hadapkan langsung pada lensa okuler dari
mikroskop. Setalah di dapat citra yang akan digunakan, maka di capture oleh computer
dengan bantuan software Matlab untuk di ambil informasi yang ada dalam citra tersebut.
Dari hasil ini maka kemudian akan diproses pada simulasi pendeteksian kanker usus besar.
Oleh demikian tuntutan paramedis agar mendiagnosa dan mengklasifikasi kanker usus
besar secara otomatis dan cepat akan terpenuhi.
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2013
1.2 Perumusan Masalah
Masalah yang diteliti dalam tugas akhir ini ialah:
1. Bagaimana cara mendesain pengklasifikasian penyakit kanker usus besar
berbasis pengolahan citra dengan Ekstrasi Ciri Statistik GLCM?
2. Bagaimana mengelola citra sampel jaringan yang nanti akan di ambil
informasinya?
3. Bagaimana penerapan dalam proses klasifikasi pada citra menggunakan
algoritma Levenberg-Marquardt Algorithm (LMA)
1.3 Tujuan
Tujuan pada tugas akhir ini ialah:
1. Mengimplementasikan Levenberg-Marquardt Algorithm (LMA) sebagai
algoritma pengklasifikasian pada pengolahan citra menggunakan Ekstrasi
Ciri Statistik Grey Level Co-occurrence Matrix (GLCM).
2. Mengimplementasikan Ekxtrasi Ciri Statistik Grey Level Co-occurrence
Matrix (GLCM) pada preprocessing.
3. Menganalisa performasi program aplikasi yang akan dibuat berdasarkan
parameter akurasi.
4. Mengklasifikasi penyakit kanker usus besar dari hasil gambar
mikroskopik patologi anatomi.
1.4 Batasan masalah
Tugas akhir ini di batasi oleh beberapa hal, yaitu:
1. Pendeteksian menggunakan Levenberg-Marquardt Algorithm (LMA).
2. Preprocesing menggunakan Grey Level Co-occurrence Matrix (GLCM)
3. Perbesarannnya 100x dengan ukuran 768x576.
4. Studi kasus hanya untuk kanker usus besar limphoma, carcinoma dan
normal.
5. Sel yang di dicapture hanya sel kanker usus besar lymphoma, carcinoma
dan normal.
6. Analisa hanya pada penerapan Levenberg-Marquardt algorithm (LMA).
7. Sampel diambil dari RS. Hasan Sadikin Bandung.
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2013
8. Parameter yang di gunakan hanya parameter perbedaan struktur.
9. Citra sampel sudah dicapture sebelumnya.
10. Format gambar sampel jaringan berupa JPEG.
11. Crop citra per-sel.
1.5 Hipotesis
Hipotesis yang akan di peroleh dalam hal ini ke akuratan hasil yang di dapat
dari system yang di bangun. Dalam hal ini karena levenbergh-Marquadth algorithm
(LMA) sendiri mempunya sifat yang dapat menyesuaikan besarnya perubahan bobot
terhadap error yang ada, misal bila error yang di dapat besar maka bobot nya juga
berubah dengan selisih yang besar agar lebih cepat mencapai solusi yang optimal,
dan juga bila terdapat error yang didapat kecil maka bobotnya jadi lebih sedikit.
Oleh Karena itu hipotesa awal mendapatkan akurasi yang baik yaitu antara (80%90%). Dengan inputan yang baik juga menggunakan Ekstrasi Ciri Statistik dengan
fungsi Grey Level Co-occurrence Matrix GLCM.
1.6
Metodologi penyelesaian masalah
Metode dalam penyelesain tugas akhir ini iala sebagai berikut:
1. Studi Literatur
Disini ialah proses pembelajaran teori-teori yang di gunakan dan
pengumpulan literature-literatur seperti buku refrensi, artikel-artikel, dan
jurnal-jurnal untuk membantu penyelesaian tugas akhir yang di susun.
2. Persiapan data
Dalam hal ini ialah merupakan tahapan persiapan data-data yang di
perlukan dalam pengerjaan tugas akhir ini. mengumpulkan data-data citra
yang di ambil di RS Hasan Sadikin bandung. Data yang di peroleh akan di
bagi menjadi dua, ialah data training dan data testing.
3. Perancangan system
Dalam tahap perancangan system ialah, dilakukan proses pembuatan
klasifikasi citra sampel jaringan
yang di
awali dengan proses
preprocessing yang menggunakan metode ekstrasi ciri statistic Grey Level
Co-occurrence Matrix (GLCM) sebagai inputan awal dan berlanjut
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2013
pengklasifikasian menggunakan levenbergh-Marquadth algorithm (LMA)
yang sebagai berikut algoritma pembelajarannya :

Defenisakan masalah : masukkan dan target yang diinginkan,
kemudian inisialisasi bobot pertama dengan nilai acak
 Masukkan matriks pola belajar ke dalam jaringan dan hitung nilai
keluaran serta eror yang di hasilkan dengan menggunakan
persamaan menghitung MSE
 Hitung matriks jacobian dan matriks eror
 Hitung perubahan bobot (∆w)
 Proses adaptive learning rate.
 Pelatihan ini akan berhenti jika salah satu dari kondisi berikut
terpenuhi, yaitu:
 Ketika gradien lebih kecil daripada nilai threshold yang di
tentukan sebelum nya
 Atau ketika nilai eror lebih kecil daripada eror minimum
yang di tentukan
 Nilai gradien itu sendiri dapat di tentukan dengn rumus
 g = JTE
Ini merupakan teknik pembelajaran atau training dan terdiri dari bnyak
lapisan (multilayer network).
4. Implementasi sistem
Dalam tahap ini ialah tahapan pengimplementasian system atas rancangan
yang sudah dibuat. Yang dimana pengimplementasiannya menggunakan
software Matlab yang dalam hal ini sebagai tools pembangunan dan
pengujian.
5. Pengujian
Dalam tahap ini ialah tahap pengujian terhadap system yang masukannya
dari data yang sudah di siapkan.
6. Analisis hasil
Dalam tahap ini ialah tahap dimana analisis hasil yang di dapat dari
pengujian yang sudah di lakukan.
7. Pembuatan laporan
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2013
Dalam tahap ini ialah tahap dimana pembuatan laporan dari hasil pengujian
dan analisis yang sudah di dapat sebagai dokumentasi penelitian.
1.7 Jadawal Kegiatan
Kegiatan
Bulan
ke-1
Bulan
ke-2
Bulan
ke-3
Bulan
ke-4
Bulan
ke -5
Bulan ke
-6
Studi literatur
Persiapan data
Perancangan sistem
Implementasi sistem
Pengujian
Analisa hasil
Pembuatan laporan
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2013
BAB V
PENUTUP
5.1 Kesimpulan
Dari hasil pengujian dan analisis yang telah dilakukan pada perancangan sistem
klasifikasi kanker usus besar, maka dapat diambil beberapa kesimpulan sebagai berikut:
1. Perancangan sistem klasifikasi kanker usus besar berbasis pengolahan citra digital
dengan menggunakan JST Levenberg marquardth mampu mengklasifikasikan
pembagian 3 kelas yaitu carcinoma, lymphoma dan normal dengan akurasi sistem
mencapai 83,33% dengan data masukan gabungan dan nilai yang perderajat hanya
mencapai tinggi 66% untuk citra jaringan utuh.
2. Akurasi yang baik didukung oeh penggunaan parameter yang tepat. Parameter yang
digunakan oleh JST Levenberg marquardth sehingga menghasilkan akurasi 90%
yaitu epoch 4000, learning rate 0,001 dan jumlah neuron hidden layer 15 dan 20.
3. Parameter ekstraksi ciri yang baik digunakan sebagai masukan JST Levenberg
Marquardt agar menghasilkan akurasi yang akurat adalah dengan menggabungkan
beberapa derajat karena setiap derajat memiliki ciri-ciri tertentu. Dari hasil yang di
dapat di jelaskan bahwa dari data gambar yang ada, dapat mengklasifikasikan jenis
dari penyakit kanker usus besar
4. Levenberg-Marquardt Algorithm (LMA) dapat di gunakan sebagai metode
pengklasifikasian karena dapat mendapatkan hasil akurasi hingga 90% dalam
pengujiannya. Serta Grey Level Co-occurrence Matrix (GLCM) pada preprocessing
sendiri dapat mengolah data berupa gambar yang otputannya sebagi inputan ke LMA
dengan pengambilan 2 derajat yang mendapatkan hasil akurasi 83% sedangkan
untuk 1 derajat tidak terlalu baik hasilnya karena belum dapat mencirikan suatu
gambar untuk citra jaringan utuh.
5. Pada percobaan tambahan, dengan mengambil setiap sel pada citra jaringan usus
besar mendapatkan hasil akurasi mencapai 90%. Yang dimana citra yang ada sudah
di crop persel sehingga lebih terfokus pada jenis sel kanker ususbesar. Dengan
demikian pada penetuan citra dapat mempengaruhi hasil yang didapat.
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2013
5.2 Saran
Penelitian lebih lanjut diharapkan dapat memperbaiki kekurangan yang ada dan
diharapkan dapat mengembangkan apa yang telah dilakukan pada penelitian ini. Untuk itu
disarankan hal-hal berikut :
1. Sistem dapat dikembangkan dengan menggunakan JST lainnya.
2. Pada citra bisa dipilih pengambilannya pada data yang hampir serupa.
3. Sistem dapat dikembangkan dengan menggunakan metode ekstraksi ciri lainnya
yang tidak menghasilkan 2 tipe nilai sebagai masukan JST dan bisa di tambahkan
ekstrasi ciri GLLM untuk mendapatkan nilai ciri keakuratan yang baik.
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2013
Daftar Pustaka
1. Agung Radistya Putra, 2012. Klasifikasi kanker ususbesar menggunakan ekstrasi ciri
static dengan metode Backpropogation.
2. Ananth Ranganathan. 2004. The Levenberg-Marquardt Algorithm.
3. Burney, Syed Muhammad Aqil., Jilani, Tahseen Ahmed., and Ardil, Cemal. 2005.
Levenberg-Marquardt Algorithm for Karachi Stock Exchange Share Rates
Forecasting. World Academy of Science, Engineering and Technology.
4. Citra
Digital,
http://shinigamirulez.blogspot.com/2009/01/pengolahan-citra-
digital.html (di akses tanggal 20 april 2012 WIB)
5. Cucun V. A., Ingrid N., I Ketut Eddy P., Mauridhi H. P., Analisa Tekstur Utnuk
Membedakan Kista dan Tumor pada Citra Panaromik Rahang Gigi Manusia
6. Diana P., Anugrah N., Anny Y., Kombinasi Teknik Ekstrasi Fitur pada Sistem Temu
Kembali Citra Mammogram.
7. Hagan, Martin T.,and Menhaj, Mohammad B. 1994. Training Feedforward Networks
with the Marquardt Algorithm. IEEE Transaction on Neural Networks Vol. 5.
8. Haris O., Drs. Jondri, MSI., and Z. K. Abdurrahman B. Ssi, M.Kom, 2012, Analisis
dan Implementasi Time Delay Neural Network dengan Algoritma levenbergMarquardth Pada Studi Kasus Prediksi Harga Jual Emas.
9. Ira Herawati Sada, 2011. Pemodelan Wajah 3D Melalui Pendeteksian Fitur wajah
2D Menggunakan Teknik Morphing. Washington.
10. Levenberg
marquardt
http://mathworld.wolfram.com/Levenberg-
MarquardtMethod.html (di akses tanggal 19 april 2012).
11. Muhiddin, Amir Hamzah., Jaya, Indra., dan Hestirianoto, Totok. 2007. Identifikasi
Kawanan Ikan Lemuru dari Data Hidroakustik dengan Metode Jaringan Syaraf
Tiruan .Torani Vol 17(3).
12. R. Manavalan, K. Thangavel, 2011, Evaluation of Teftural Feature Extraction
Methods for Prostate Cancer TRUS Medical images.
13. Riyan Hartadi, Imam Santoso, Achmad Hidayanto, Deteksi Potensi Kanker Payudara
pada Mammogram Menggunakan Metode Gray Level Co-occurrence Matrices.
14. Sam Roweis. Levenberg-Marquardt Optimization.
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2013
15. Usus, http://www.magentocommerce.com/boards/viewthread/324872/ (di akses
tanggal 12 april 2012 WIB)
16. Usus besar, http://www.anneahira.com/saluran-pencernaan.htm (di akses tanggal
12 april 2012 WIB).
17. Usus besar, http://id.shvoong.com/exact-sciences/biology/1835470-usus-besar (di
akses tanggal 12 april 2012)
18. Warsito, Budi., dan Sumiyati, Sri.Prediksi Curah Hujan Kota Semarang dengan
Feedforward Network Menggunakan Algoritma Quasi Newton BFGS dan LevenvergMarquardt.
19. Wilamowski, Bogdan M., Fellow., IEEE., and Yu, Hao.Improved Computation for
Levenberg-Marquardt Training. IEEE Transactions on Neural Network, Vol. 21.
20. Wilamowski, B.M., Chen, Yixin., and Malinowski, A. 1999. Efficient Algorithm for
Training Neural Networks with One Hidden Layer. Washington, DC : IEEE, Vol. 3.
0-7803-5529-6.
21. Yani,
Eli.
(2005).
Pengantar
Jaringan
Saraf
Tiruan.
Artikel
kuliah.
http://trirezqiarianto.files.wordpress.com/2007/05/jaringan_syaraf_tiruan.pdf.
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika