jurnal ca paru

Pendeteksian Kanker Paru-Paru … Hanung Tyas Saksono, dkk

Teknologi Elektro 18 Vol. 9 No.1 Januari – Juni 2010

PENDETEKSIAN KANKER PARU–PARU DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DAN METODE LINEAR DISCRIMINANT ANALYSIS

Hanung Tyas Saksono, Achmad Rizal., Koredianto Usman

Fakultas Elektro dan Komunikasi – Institut Teknologi Telkom Bandung Jl. Telekomunikasi, Dayeuh Kolot Bandung 40257, Tlp. 022-7564108, Fax. 022-7565200

E-mail : zhaxono [email protected], [email protected], [email protected]

Abstrak

Kanker merupakan pertumbuhan dan penyebaran sel-sel abnormal yang memiliki karakteristik yang khas. Kanker yang sudah menyebar dan tidak dapat terkontrol lagi, biasanya akan menyebabkan kematian. Kanker paru-paru lebih sering menyebabkan pria meninggal dibanding kanker lain, dimana yang sering menjadi penyebab kanker paru-paru adalah merokok. Cara yang digunakan untuk mendeteksi kanker paru-paru ialah melalui pemeriksaan hasil foto rontgen dada.

Penelitian ini bertujuan untuk menghasilkan suatu sistem aplikasi yang dapat mendiagnosa citra paru-parudan mengklasifikasikan paru-paruke dalam tipe kanker, normal atau efusi serta menganalisa performansi sistem yang digunakan dalam proses pengenalan citra paru-paru. Proses pendeteksian diawali dengan pemrosesan awal pada citra paru-paru, proses ekstraksi ciri menggunakan Transformasi Wavelet, dan proses klasifikasi menggunakan Linear Discriminant Analysis (LDA). Pemrosesan awal dilakukan untuk membuang informasi yang tidak dibutuhkan dalam pengolahan citra. Proses ekstraksi ciri dilakukan dengan cara mengurangi dimensi citra paru- paru yang akan menjadi masukan pada proses pengenalan menggunakan LDA.

Pada penelitian ini citra latih yang digunakan adalah 60 buah citra, yang terdiri dari 20 kelas citra kondisi normal, 20 kelas citra kondisi kanker, dan 20 kelas citra kondisi efusi. Citra uji yang akan digunakan juga berjumlah 60 buah citra, yang tediri dari 20 citra untuk masing-masing kelas. Akurasi yang dihasilkan sistem pada pendeteksian kanker paru-paru ini sebesar 100% untuk citra latih dan 95% untuk citra uji.

Kata kunci : linear discriminant analysis, transformasi wavelet, pengolahan citra.

Abstract

Cancer is growth and spread of abnormal cells that have distinct characteristics. Cancer that has spread and can’t be controlled again, usually it will cause death. Lung cancer more often causes a man died than the other cancer where that often can be cause of lung cancer is smoking. The methods that used to detect lung cancer is through examination of chest X - Ray results.

This Research is used to produce an application system that can diagnose lung image and classify lung into the cancer, normal, or effusion type, and also analyzing system performance that used in lung image classification process. Detection process is begun with beginning process at lung image, feature extraction process by using Wavelet Transform, and classification process by using Linear Discriminant Analysis (LDA). Beginning process is used to waste unimportant information of lung image processing. Feature extraction process is done by reducing lung image dimension that will be input in classification process using LDA.

In this final assignment, the used train images are 60 images, that consists of 20 cancer class, 20 normal class, and 20 effusion class. The used test images are also 60 images, that consists of 20 images for each class. The produced accuration by system in this lung cancer detection process is 100% for train image and 95% for test image. Key words : linear discriminant analysis, wavelet transformasi, image 1. PENDAHULUAN

Dalam penelitian ini akan memanfaatkan pengolahan citra digital. Citra diperoleh melalui hasil foto rontgen yang terdapat di Rumah Sakit yang nantinya akan disimpan sebagai basis data. Metode LDA ini digunakan untuk mengklasifikasikan karakter yang terdapat pada paru-paru, misalnya paru-paru dalam keadaan normal artinya citra tidak memiliki flek-flek yang menutupi bagian-bagian pada paru-paru.

Pada penelitian ini, transformasi wavelet digunakan untuk mengekstraksi ciri yang mengandung informasi penting dari paru-paru. Jenis wavelet yang digunakan di dalam ekstraksi ciri ini adalah Haar wavelet. Hasil dekomposisi citra yang diambil adalah koefisien citra aproksimasi. Setelah itu LDA digunakan untuk mengklasifikasikan jenis paru-parudari cirri-ciri yang didapatkan dari proses ekstraksi cirri untuk kemudian dikenali.



LDA merupakan metode class-specific linear yang dapat melakukan transformasi pereduksian dimensi dimana elemen-elemen yang merupakan anggota sebuah kelas akan dikelompokkan bersama di dalam ruang dimensi rendah. Selain itu LDA juga berfungsi untuk memaksimalkan diskriminasi antar kelas dan meminimalkan persebaran dalam kelas [1,4].

2. TINJAUAN PUSTAKA 2.1 Transformasi Wavelet

Secara umum yang dimaksud dengan Transformasi Wavelet adalah dekomposisi dari suatu sinyal dengan suatu fungsi Ψs,τ(t) yang telah terdilatasi dan tertranslasi yang disebut sebagai mother wavelet. Dengan kata lain sinyal tersebut direpresentasikan sebagai jumlah dari kumpulan dilated-version dan translated-vesion fungsi induk wavelet. Kumpulan fungsi-fungsi tersebut didefinisikan pada persamaan berikut :

( ) ⎟⎠⎞

⎜⎝⎛ −

=s

ts

tsτψψ τ

1,

(1)

Dimana s merupakan parameter dilatasi (s є real) dan τ merupakan parameter translasi (b є real). Parameter s menunjukkan lebar dari kurva wavelet, sehingga apabila nilai s diperbesar akan semakin lebarlah kurva wavelet dan apabila nilai s diperkecil maka kurva wavelet akan semakin kecil. Sedangkan parameter τ menunjukkan lokalisasi dari kurva wavelet yang terpusat pada ruang t= τ. Untuk data-data diskrit seperti citra, diperlukan Transformasi Wavelet Diskrit (DWT), sehingga persamaan (1) menjadi :

( ) ( ) Zkjtt jj

s ∈−= ,;22 2, τψψ τ

(2) Variabel-variabel j dan k adalah integer yang menskalakan dan menggeser fungsi mother wavelet untuk menghasilkan jenis-jenis wavelet seperti Haar wavelet. Lebar wavelet ditunjukkan oleh skala s dan posisinya ditunjukkan oleh τ. Transformasi wavelet diskrit bertujuan untuk mengurangi redudansi yang terjadi pada transformasi kontinu dengan cara mengambil nilai diskrit dari parameter s dan τ. Fungsi wavelet pada persamaan (1) pertama kali dikenalkan oleh Grossman dan Morlet, sedangkan persamaan (2) oleh Daubechies. Pada fungsi Grossman-Morlet, s merupakan parameter dilatasi dan τ merupakan parameter translasi. Sedangkan pada fungsi Daubechies, parameter dilatasi diberikan oleh 2 j dan parameter translasi oleh τ. Kedua fungsi Ψ dapat dipandang sebagai mother wavelet, dan harus memenuhi kondisi [4]:

( ) 0=∫+∞

∞−

dxxψ (3)

2.2 Transformasi Wavelet pada Citra

Pada pengolahan citra menggunakan Transformasi Wavelet dua dimensi. Hal tersebut dikarenakan citra merupakan bentuk sinyal dalam ruang dimensi dua. Di dalam proses dekomposisinya, Transformasi Wavelet diskrit dua dimensi dilakukan dengan memproses baris dan kolom secara terpisah, yang dapat digambarkan. sebagai berikut:

..

dimana : cAj = Citra input

= Downsampling kolom, menyimpan kolom berindeks genap

= Downsampling baris, menyimpan baris berindeks genap

Gambar-1. Proses Dekomposisi Sinyal..

cA (v) j+1 vertikal

L

H

2 1

2 1

L’

L’

H’

H’

1 2

1 2

1 2

1 2

cAj+1

cA (h) j+1 horizontal

cA(d)j+1diagonal

KolomBaris

2 1

1 2



Dari gambar di atas proses dekomposisi di atas dapat dijelaskan bahwa proses Transformasi Wavelet dilakukan atas baris-baris dan kolom-kolom. Citra direpresentasikan sebagai sinyal dua dimensi yang dimasukkan ke dalam dua blok yaitu blok H yang merupakan filter pelolos rendah atau Low Pass Filter dan blok G yang merupakan filter pelolos tinggi atau High Pass Filter. 2.3 Linear Discriminant Analysis

LDA melakukan analisis secara linier yang memiliki representasi sendiri-sendiri (vektor-vektor basis) dari ruang vektor citra paru-paru berdimensi tinggi, tergantung dari sudut pandang statistiknya.

Dengan memproyeksikan vektor citra paru-paru ke vektor basisnya akan didapatkan representasi feature dari setiap citra paru-paru. Pengukuran kemiripan kemudian akan dilakukan antara representasi citra paru-paru dengan citra uji. Representasi di dalam metode ini dianggap sebagai sebuah transformasi linier dari vektor citra asal ke dalam sebuah ruang proyeksi (vektor-vektor basis). XWY T= (4)

Dimana Y adalah matriks vektor feature berukuran d x N dengan d adalah dimensi vektor feature dan N adalah jumlah citra paru-paru serta d << N.

Di dalam perhitungannya LDA menggunakan dua buah matriks sebaran, yaitu matriks SB dan matriks Sw. kedua matriks tersebut didefinisikan sebagai berikut:

( )( )Ti

c

iiBS µµµµ −−= ∑

=1

(5)

( )( )Tikyyk

ik

c

iW yyS

i

µµ −−= ∑∑∈=1

(6)

dimana :

∑=

=iN

kk

ii Y

N 1

1µ (7)

dimana SB merupakan sebaran antar kelas dan Sw merupakan sebaran dalam kelas. Dari rumus di atas Ni adalah jumlah vektor latih pada kelas i (Ci), µ didefinisikan sebagai mean global, µi adalah vektor rata-rata dari kelas i (Ci), dan yk merupakan vektor-vektor yang berasosiasi dengan kelas i. Dengan menghitung SB maka akan diketahui jarak atau pemisah antara vektor rata-rata setiap kelas dengan mean global, sedangkan Sw akan mengukur jarak atau pemisah antara vektor-vektor ciri dengan vektor rata-rata dari kelas masing-masing.

Setelah didapatkan matriks SB dan Sw kemudian LDA akan mencari proyeksi yang optimal pada kondisi dimana rasio antara matriks sebaran antar kelas (SB) dari sampel yang diproyeksikan dengan matriks sebaran dalam kelas (Sw) dari sampel yang diproyeksikan, yang dirumuskan sebagai berikut:

WSWWSWmakW

WT

BT

opt arg=

= [w1 w2 ………….wm] (8) dimana {wi | i = 1,2,…,l} merupakan kumpulan vektor eigen dari SB dan Sw yang berkorespondensi dengan eigen value terbesar {ëi | i = 1,2,…,l}. dimana {wi | i = 1,2,…,l} merupakan kumpulan vektor eigen dari SB dan Sw yang berkorespondensi dengan eigen value terbesar {ëi | i = 1,2,…,l}.

Dari rumus di atas maka didapatkan hasil yang maksimal yaitu dimana persebaran dalam kelas akan diminimalisasi dan persebaran antar kelas akan dimaksimalkan.

Kemudian representasi akhir LDA adalah zi yang seharusnya dapat menghasilkan separabilitas yang lebih baik dari citra paru-paru. Dimana zi didefinisikan sebagai berikut : zi = WT yi (9)

zi merupakan matriks terproyeksi dengan ukuran d x N. Dengan d merupakan dimensi dari ruang fisher dan N merupakan jumlah citra paru-paru serta d << N. 3. PERENCANAAN DAN IMPLEMENTASI

PERANGKAT LUNAK 3.1 Rancangan Sistem Pada bagian ini akan dibahas mengenai sistem perangkat lunak yang dirancang. Hasil keluaran dari sistem ini akan mengklasisfikasikan kondisi paru-paru dalam tiga kondisi, yakni kanker, normal, atau efusi. Secara umum sistem penelitian yang dirancang adalah seperti pada gambar 2. 3.2 Klasifikasi Penyakit Pada Paru - paru

Pada penelitian ini citra paru-paru akan diklasifikasikan ke tiga kondisi, yakni kondisi normal, kanker, dan efusi yang dibedakan berdasarkan warna pada paru-paru. Paru-paru normal akan tampak hitam dan tidak terdapat adanya flek putih yang menutupi paru-paru. Paru-paru yang terkena kanker akan terlihat adanya flek-flek putih yang menutupi paru-paru. Sedangkan untuk efusi warna putih yang menutupi paru-paru lebih rapat dan dominan.

3.3 Pengolahan Citra Pada Citra Latih

Citra latih yang akan digunakan pada Penelitian ini merupakan citra hasil rontgen paru-paru bagian depan. Citra latih pada Penelitian ini menggunakan format .*bmp. Citra latih pada Penelitian ini nantinya akan disimpan sebagai basis data.

3.4 Pemrosesan Awal

Pemrosesan awal atau disebut juga dengan pre-processing merupakan sebuah proses awal yang dilakukan untuk mengambil ciri atau karakteristik pada suatu citra digital sebelum dilakukan pemrosesan citra selanjutnya



(a) (b)

Gambar-2. Proses pendeteksian kanker pada paru-paru(a) Diagram alir proses pelatihan (b) Diagram alir

proses pengujian

(a) (b) (c)

Gambar-3. Klasifikasi Kondisi Pada Paru-paru(a)

normal (b) kanker (c) efusi

3.5 Pengkonversian Citra ke Black and White Pada proses ini, citra digital yang berformat .*bmp akan menjadi input dari sistem ini. Citra digital yang sudah dalam bentuk grayscale tersebut, diubah ke Black and White, artinya citra grayscale tersebut diubah ke dalam citra biner.

Citra paru Convert to BW

Filter median

BW LabelCroppingResize

Proses berikutnya

Gambar-4. Blok diagram pemrosesan awal citra paru -paru

3.6 Menghilangkan Noise kecil dengan Median

Filter Setelah citra dikonversi ke dalam bentuk Black and White, citra hasil Black and White memiliki noise yang nantinya akan berpengaruh dalam proses pengolahan selanjutnya. Oleh karena itu, untuk menghilangkan noise-noise kecil yang ada pada citra Black and White, dilakukan proses median filter. Median filter merupakan salah satu teknik peningkatan kualitas citra dalam domain spasial. Metode ini termasuk dalam metode non linear filtering 3.7 Membuang Objek Kecil dengan BW Labelling Pada sistem ini, informasi penting yang harus diambil adalah informasi tentang paru - paru. Sehingga paru – paru, tangan, leher, dan beberapa informasi lain akan disebut sebagai objek. Pada proses BW Labelling ini, objek-objek tersebut akan diberi label masing-masing. Dengan menggunakan acuan nilai threshold, objek yang nilainya lebih kecil dari threshold akan dibuang. Objek yang diambil adalah objek yang nilainya lebih besar dari threshold. 3.8 Pemotongan Citra Citra hasil Black and White hasil dari proses BW labeling akan digunakan untuk proses pemotongan citra. Pemotongan citra ini bertujuan untuk menghilangkan bagian-bagian yang tidak dibutuhkan. Tahapan pemotongan citra pada sistem ini adalah:

1. Penjumlahan nilai dari piksel – piksel pada citra secara vertikal dan horizontal.

2. Pemotongan citra pada masing – masing sisi 3.9 Pengubahan dimensi citra

Karena masing-masing citra memiliki dimensi yang berbeda-beda setelah dilakukan pemotongan pada masing-masing sisi citra, diperlukan penyamaan dimensi semua citra untuk mempermudah dalam proses pengolahan selanjutnya.

Mulai

Pemrosesan Awal

Ekstraksi Ciri

dengan Transformasi

Wavelet

Pengenalan Klasifikasi

menggunakan LDA

Citra Uji

Kondisi

Pada Paru - Paru

Citra Latih

Hasil

Mulai

Pemrosesan Awal

Ekstraksi Ciri

dengan Transformasi

Wavelet

Citra Latih



3.10 Ekstraksi Ciri dengan Transformasi Wavelet

Pada penelitian ini menggunakan transformasi wavelet pada frekuensi tinggi yaitu transformasi Haar wavelet. Alasan menggunakan Haar wavelet karena Haar wavelet merupakan metode yang lebih bagus digunakan untuk merepresentasikan ciri tekstur dan bentuk. Disamping itu Haar wavelet memerlukan waktu komputasi yang lebih kecil dari pada transformasi wavelet lainnya.

Ciri diperoleh dari citra yang telah melewati proses dekomposisi. Masing-masing kondisi paru-paru untuk normal, kanker, dan efusi akan didekomposisi menjadi empat subbands, yaitu LL, LH, HL, dan HH. Dari keempat subbands tersebut yang akan digunakan pada proses selanjutnya adalah citra aproksimasi atau citra pada subband LL(Low-Low), karena informasi citra sebagian besar terdapat pada subband ini.

3.11 Pengolahan Citra pada Citra Uji Citra yang menjadi citra uji yaitu citra paru-parudalam format *.bmp. Sejumlah citra uji akan diproses sama halnya seperti pada pengolahan citra pada citra latih. Setelah proses ekstraksi ciri, citra uji dan citra latih akan dilatih menggunakan LDA dan selanjutnya citra uji akan diklasifikasikan berdasarkan kondisi citra. 3.12 Linear Discriminant Analysis (LDA) Proses klasifikasi ciri pada Penelitian ini digunakan LDA. Linear diskriminant analisis berfungsi untuk memetakan matriks ke dalam dimensi yang lebih rendah. Selain itu LDA juga berfungsi untuk meminimalisasi jarak antar ciri dalam kelas dan memaksimalkan jarak antar ciri antara kelas yang berbeda. LDA mempunyai kekurangan yaitu masalah singularitas pada matriks Sw. Hal ini dapat terjadi bila jumlah baris pada matriks ansambel vektor ciri lebih besar dari pada jumlah kolomnya. Oleh karena itu sebelum masuk ke dalam proses klasifikasi oleh LDA, diperlukan pereduksian dimensi citra menggunakan transformasi wavelet.

Tahap terakhir dari klasifikasi menggunakan LDA ini adalah memproyeksikan setiap vektor ciri citra latih ke dalam ruang fisher. Sehingga diperolehlah vektor ciri citra latih terproyeksi. Vektor inilah yang nantinya akan diukur kemiripannya dengan vektor ciri dari citra uji.

3.13 Proses Pengujian Citra Latih Citra latih yang digunakan dalan penelitian ini berjumlah 20 citra untuk masing – masing kondisi citra, sehingga total citra latih berjumlah 60 citra latih. Vektor masukan proses pelatihan ini berukuran 60x12 yang merupakan vektor hasil dari proses ekstraksi ciri yang berukuran 1x12 untuk setiap ciri. Proses ini digunakan untuk mengetahui kecocokan

LDA dalam mengklasifikasikan kondisi citra latih yang diujikan dengan citra latih yang sebelumnya sudah disimpan dalam basis data. 3.14 Proses Pengujian Citra Uji Citra uji yang digunakan dalam penelitian ini berjumlah 20 untuk masing – masing kondisi paru – paru. Vektor masukan dari citra uji ini berukuran 1x12 yang merupakan hasil dari ekstraksi ciri untuk masing – masing kondisi citra. Pada proses pengujian ini vektor citra uji yang menjadi input dalam sistem ini akan diuji dengan citra latih yang sudah disimpan dalam basis data. Keluaran dari proses ini akan mengenali kondisi paru-parudari citra uji yang berupa kanker, normal, atau efusi., 3.15 Pengujian Sistem

Untuk pengujian sistem digunakan parameter akurasi dan error. Akurasi adalah ukuran ketepatan sistem dalam mengenali input yang diberikan sehingga menghasilkan keluaran yang benar. Secara sistematis dapat dituliskan sebagai berikut :

%100

____

×=nkeseluruhadataJumlah

benardataJumlahAkurasi

Error adalah tingkat kesalahan sistem dalam

mengenali input yang diberikan terhadap jumlah data secara keseluruhan. Secara sistematis dapat dituliskan sebagai berikut:

%100__

__×=

nkeseluruhadataJumlahsalahdataJumlahError

4. ANALISIS HASIL SIMULASI

Pada bagian ini akan dijelaskan mengenai hasil penelitian yang berupa simulasi pengolahan citra beserta pembahasannya. Berikut urutan proses pengujian yang dilakukan pada penelitian ini yang ditunjukkan oleh Gambar-5. 4.1 Citra Masukan Pada penelitian ini citra masukan berupa citra paru-parutampak bagian depan, yang terdiri dari 60 citra latih sebagai basis data dan 60 citra uji dengan ukuran atau dimensi yang berbeda-beda. 4.2 Konversi Citra ke Citra Black and White Proses pengkonversian ke citra Black and White ini artinya mengubah nilai setiap piksel suatu citra dengan memperhatikan acuan nilai threshold. Dalam penelitian ini menggunakan acuan nilai threshold 200 dengan sintaks di programnya : ”citraBW = inputan > 200”, artinya jika ada nilai piksel suatu citra yang kurang dari 200 akan diubah nilainya ke ‘0’, sedangkan jika nilai piksel yang lebih dari 200 maka akan diubah nilainya ke ‘1’.



Gambar-5. Blok Diagram Proses Pengujian

4.3 Menghilangkan noise kecil dengan Median

Filter Setelah citra masukan dikonversi ke Black and White, citra ini terlihat masih memiliki noise–noise kecil yang akan mempengaruhi proses pengolahan selanjutnya. Untuk menghilangkan noise–noise kecil inilah akan digunakan Median Filter. Pada proses ini menggunakan kernel atau koefisien filter 9x9. Nilai masing-masing piksel yang bertetanggaan akan diurutkan. 4.4 Membuang Objek Kecil dengan BW

Labelling Pada program ini BW Labelling berfungsi untuk menandai objek-objek yang ada pada suatu citra Black and White. Setelah itu akan dilakukan pembandingan luas dari masing-masing objek tersebut dengan acuan nilai threshold luas. Objek yang luasnya kurang dari threshold secara otomatis akan dibuang dari program. Objek yang diambil untuk proses selanjuntya adalah objek yang luasnya lebih dari nilai threshold luas. 4.5 Pemotongan Citra Tujuan pemrosesan awal dimulai dari proses pengkonversian citra ke Black and White, Median Filtering, dan BW labeling adalah untuk membuang informasi yang tidak penting dari suatu citra. Ketiga proses dari pengkonversian Black and White hingga BW labeling akan memudahkan pada proses selanjutnya dalam tahap pemrosesan awal ini, yaitu proses pemotongan citra. Pada proses pemotongan citra ini ada beberapa tahap yang dilakukan, yaitu

4.5.1 Penjumlahan nilai dari piksel suatu citra secara vertikal dan horizontal

Pada tahap ini, citra yang sudah selesai diproses hingga proses BW labeling akan dijumlahkan nilai pikselnya secara kolom / nilai piksel dijumlahkan ke bawah. Sehingga ukuran matriks yang akan diperoleh terdiri dari 1 baris dan beberapa kolom. Kemudian dilakukan penjumlahan nilai piksel–piksel secara baris/horizontal (nilai piksel dijumlahkan ke kanan). Sehingga ukuran matriks yang akan diperoleh terdiri dari beberapa baris dan 1 kolom. Penjumlahan tersebut menghasilkan nilai – nilai yang menyatakan intensitas warna putih pada tiap kolom atau baris. Sebagai contoh, hasil plot dari penjumlahan nilai piksel secara vertikal/kolom bisa dilihat pada Gambar 6 berikut ini.

Gambar-6. Hasil plot penjumlahan nilai piksel secara kolom/vertikal

Gambar 7 berikut menunjukkan citra masukan dalam proses penelitian ini dan beberapa citra hasil dari pemrosesan awal.

(a) (b) (c)

(d) (e) (f)

Gambar-7. Citra yang dihasilkan pada pemrosesan awal (a) citra masukan (b) citra BW dengan threshold 200 (c) Citra BW dengan threshold 100 (d) Citra hasil median filter (e) Citra hasil dari BW labeling (f) Citra

hasil pemotongan

Dikenali sebagai kondisi paru paru

Citra masukan dalam bentuk

grayscale, format

ekstensi*.bmp

Konversi ke Black and White

Menghilangkan noise kecil dengan Median Filter

Membuang objek kecil dengan BW Labelling

Pemotongan Citra

Pengubahan dimensi citra

Ekstraksi ciri citra paru - paru

Klasifikasi dengan LDA



4.5.2 Pemotongan pada masing – masing sisi suatu citra

Setelah dilakukan penjumlahan nilai piksel – piksel suatu citra baik penjumlahan ke kanan maupun ke bawah, selanjutnya akan dilakukan pemotongan citra pada masing-masing sisinya. Sisi-sisi yang akan dipotong adalah sisi atas, bawah, samping kanan, dan samping kiri. Proses ini bertujuan untuk mencari piksel yang terdapat nilai maksimum/ minimum dari hasil penjumlahan nilai piksel secara baris maupun kolom. Dari hasil plot penjumlahan nilai piksel, akan ditunjukkan nilai maksimum/ minimum yang nantinya bagian itulah yang harus dipotong. Untuk mendapatkan hasil pemotongan yang lebih akurat, maka piksel yang memiliki nilai maksimum/minimum pada pemotongan bagian atas, bawah, samping kanan, dan samping kiri tersebut dikurangkan atau dijumlahkan dengan faktor koreksi tergantung kondisinya. 4.6 Pengubahan dimensi citra Setelah dilakukan proses pemotongan citra, ukuran atau dimensi citra hasil dari proses pemotongan berbeda-beda. Untuk menyamakan dimensi semua citra paru-paru setelah melewati proses pemotongan, dimensi citra akan diatur menjadi 640 x 480 piksel. 4.7 Ekstraksi Ciri dengan Transformasi Wavelet Proses ekstraksi ciri bertujuan untuk mendapatkan informasi-informasi penting dari citra paru-paru. Pada penelitian ini teknik ekstraksi ciri-nya menggunakan transformasi haar wavelet. Citra yang menjadi masukan pada proses transformasi wavelet ini adalah citra yang sudah dipotong/dibuang bagian yang tidak dibutuhkan dalam penelitian ini. Transformasi wavelet yang digunakan adalah transformasi wavelet diskret dua dimensi (dwt2) level satu. Citra yang masuk pada proses ini akan didekomposisi menjadi empat subband atau frekuensi yang terdiri dari subband LL (Low-Low), LH(Low-High), HL(High-Low), dan HH(High-High). Citra masukan ke dalam proses ini berukuran 640 x 480, setelah keluar dari proses transformasi wavelet ini ukuran masing – masing citra hasil dekomposisi menjadi 320 x 240. Citra yang akan diambil untuk dilakukan proses selanjutnya adalah citra aproksimasi (cA) pada subband LL karena seluruh informasi citra terdapat pada subband LL ini. Karena dirasa dimensi citra aproksimasi yang masih besar, maka dilakukan downsampling kembali dengan besar skala downsampling (nsample) sebesar 100. Sehingga citra aproksimasi yang akan menjadi masukan pada proses pengolahan selanjutnya memiliki dimensi 3 x 4 piksel. Matriks dari citra ini akan diubah menjadi sebuah vektor ciri yang berukuran 1 x 12 piksel. Vektor ciri yang berukuran 1 x 12 inilah yang akan

menjadi masukan pada proses pengolahan selanjutnya. 4.8 Linear Discriminant Analysis (LDA) Proses selanjutnya setelah dilakukan ekstraksi ciri adalah proses pengenalan kondisi paru dengan menggunakan LDA. Vektor ciri yang menjadi masukan ke dalam LDA ini berukuran 1 x 12. Citra latih adalah citra paru-paru yang vektor cirinya dilatihkan pada LDA dan hasil pelatihannya disimpan sebagai basis data. Citra latih yang digunakan terdiri dari 60 citra paru -paru, yang masing-masing kondisi paru-paruterdiri dari 20 citra. Dari 60 citra latih tersebut akan diproses hingga menjadi vektor ciri yang berukuran 1 x 12 untuk masing-masing citra, sehingga jumlah vektor ciri citra latih ada 60 buah. Dari keenam puluh vektor ciri tersebut akan dijadikan dalam sebuah matriks training yang berukuran 60 x 12. Selanjutnya dibuat tiga buah matriks target sesuai dengan jumlah kelas. Matriks target ini berukuran 20 x 1 untuk masing-masing kelas. Setiap matriks target terdiri dari matriks ‘1’ sebagai kondisi kanker, matriks ‘2’ sebagai kondisi normal, dan matriks ‘3’ sebagai kondisi efusi. Dari ketiga matriks target tersebut juga akan dijadikan ke dalam sebuah matriks target total yang berukuran 60 x 1. Pada saat akan menguji citra latih, citra latih masukan akan diproses sehingga menjadi matriks sampel berupa sebuah vektor ciri yang berukuran 1 x 12. Vektor ciri citra latih tersebut akan diuji ke dalam LDA untuk dikenali sebagai kondisi paru-paru. Citra uji terdiri dari 60 citra paru-paru, sama halnya dengan citra latih. Citra uji akan diujikan ke dalam LDA untuk dibandingkan dengan hasil pelatihan citra yang sudah disimpan. Apabila hasil pengenalan mendekati citra latih, maka kondisi citra uji tersebut akan dikenali seperti kondisi citra latih. 4.9 Pengujian Pengenalan Citra Latih dan Citra Uji Citra latih merupakan sekumpulan citra paru-paruyang digunakan dalam proses pelatihan (training) pada LDA. Sedangkan citra uji adalah citra yang diujikan pada LDA untuk dilakukan suatu pengenalan. Sebelum dilakukan pengujian citra uji, terlebih dahulu dilakukan proses pengujian citra latih. Proses pengujian ini dilakukan untuk memperkuat hipotesis kalau LDA bisa mengenali citra uji sesuai dengan citra latih yang sudah dilatihkan pada LDA dan disimpan dalam basis data. Pada proses pengujian ini, matriks sampel baik vektor ciri citra latih maupun vektor ciri citra uji yang berukuran 1 x 12 tersebut akan dibandingkan dengan matriks training yang sudah dilatihkan. Matriks sampel yang hasil pengelompokkannya mendekati vektor ciri citra latih, maka kondisi citra sampel tersebut akan dikenali seperti kondisi vektor ciri citra latih tersebut. Setelah dilakukan pengujian terhadap citra latih, akan dilakukan pengujian terhadap citra uji. Dari hasil



pengujian dengan menggunakan 1 vektor ciri secara bergantian, diperoleh bahwa LDA mampu mengenali citra paru-paru sesuai kondisinya dengan persentase keakuratan 100% untuk citra latih dan 95% untuk citra uji. Tabel 1 dan Tabel 2 berikut menampilkan hasil pengenalan citra latih dan citra uji dengan jumlah citra latih dan citra uji masing-masing sebanyak 20 buah. Tabel -1. Hasil Pengenalan Citra Latih

Citra Latih

Terdeteksi sebagai Tingkat Akurasi

Tingkat Error

Jml Citra Kan

ker Normal Efusi

Kan ker 20 0 0 100% 0% 20

Nor mal 0 20 0 100% 0% 20

Efusi 0 0 20 100% 0% 20

Rata – rata persentase keseluruhan 100% 0% Total

= 60 Tabel -2. Hasil Pengenalan Citra Uji

Dari Tabel 2 di atas, diperoleh rata-rata tingkat akurasi sebesar 95% atau tingkat error 5%. Ini dapat disimpulkan bahwa sistem sudah bekerja dengan baik dalam melakukan pengenalan kondisi paru-paru. Dari 20 vektor ciri citra uji untuk masing – masing kondisi paru - paru akan dibuat ke dalam grafik untuk mengetahui perbedaan vektor ciri citra uji untuk setiap kondisi. Nilai yang diambil merupakan nilai rata-rata dari 20 vektor ciri untuk masing – masing kondisi paru -paru, yang bisa dilihat pada lampiran. Dari nilai rata-rata vektor ciri citra untuk setiap kondisi paru-paru, akan dibuat grafik seperti pada Gambar 8 berikut.

Pada Gambar 8 tersebut bisa diamati bahwa intensitas rata-rata vektor ciri dari masing-masing kondisi paru-paru berbeda-beda. Nilai rata-rata vektor ciri untuk citra paru-paruefusi adalah yang paling besar. Kemudian diikuti nilai rata-rata vektor ciri citra paru-parukanker. Sedangkan citra paru-parunormal memiliki nilai rata - rata vektor ciri yang paling kecil. Dari Gambar 8 di atas bisa diamati bahwa setiap kondisi citra belum menghasilkan nilai vektor ciri yang optimal. Ini disebabkan karena

adanya ciri dari suatu citra yang menghasilkan nilai yang belum optimal. Inilah yang akan menyebabkan kemungkinan terjadinya kesalahan dalam pendeteksian kondisi paru – paru.

Gambar-8. Nilai rata-rata vektor ciri citra untuk setiap kondisi paru-paru

5. KESIMPULAN DAN SARAN 5.1 Kesimpulan Pada penelitian dalam tugas akhir ini, mulai dari tahap perancangan hingga pengujian yang dilakukan pada sistem pengolahan citra untuk mendeteksi kanker paru-paru, bisa diambil kesimpulan sebagai berikut : 1. Rancangan sistem pengenalan kondisi paru-paru

menggunakan Transformasi Wavelet dan Metode Linear Discriminant Analysis (LDA) bekerja dengan baik walaupun terjadi beberapa kesalahan dalam pengenalan.

2. Pengenalan citra paru-paru dengan menggunakan Linear Discriminant Analysis menghasilkan tingkat keakurasian sebesar 95%.

3. Teknik ekstraksi ciri yang digunakan adalah transformasi wavelet dua dimensi level satu dan ditambah proses downsampling secara baris dan kolom.

4. Dengan melihat perbandingan performansi sistem secara keseluruhan, hasil pengujian terhadap citra latih menggunakan LDA memiliki performansi yang lebih bagus dari penelitian sebelumnya.

5.2 Saran Pengembangan yang dapat dilakukan pada penelitian ini antara lain :

1. Jumlah citra latih yang digunakan lebih banyak agar diperoleh performansi yang semakin baik dalam mengenali kondisi paru-paru.

2. Pemrosesan awal yang tepat agar semua citra memiliki kondisi yang hampir sama sehingga akan lebih memudahkan dalam proses pengolahan citra.

6. DAFTAR PUSTAKA [1] Carolina, Ribka. “Pendeteksian Kanker Paru-

parudengan menggunakan Principal

Citra Uji

Terdeteksi sebagai Tingkat Akurasi

Tingkat Error

Jml Citra Kan

ker Nor mal Efusi

Kan ker 19 0 1 95% 5% 20

Nor mal 1 19 0 95% 5% 20

Efusi 1 0 19 95% 5% 20

Rata – rata persentase 95% 5% Total = 60



Components Analysis (PCA) dan Metode Jaringan Syaraf Tiruan Backpropagation”. Institut Teknologi Telkom. 2008, Bandung

[2] Balakrishnama, S. & Ganapathiraju, A. Linear Discriminant Analysis – A Brief Tutorial [online]. Tersedia: http://www.google.co.id. [5 Maret 2009].

[3] Hamzahan, Amir., Santosa, Gatot., Widiarto, Wisnu.“Klasifikasi Objek dalam Visi Komputer dengan Analisis Diskriminan”. Institut Sains & Teknologi AKPRIND. 2002,Yogyakarta .

[4] Harini, Meika .P. “Pengenalan Pola Wajah Manusia menggunakan Transformasi Wavelet dan LDA (Linear Discriminant Analysis)“. Institut Teknologi Telkom, 2007, Bandung.

[5] Lim, Resmana, “Face Recognition Menggunakan Metode LINEAR DISCRIMINANT ANALYSIS (LDA)”. 2002, Universitas Gunadarma. Jakarta.

[6] Muslim, Krisna. Median Filtering [online]. Tersedia : http://www.google.co.id. [2 Desember 2009].

[7] Raymond, Face Recognition Menggunakan Metode Linear Discriminant Analysis (LDA) [online]. Tersedia : http://dewey.petra.ac.id. [25 Januari 2010]

[8] Santosa Budi. DATA MINING TERAPAN DENGAN MATLAB. Yogyakarta: Graha Ilmu, 2007.

[9] Widiyanto, M.Rahmat,“Deteksi Obyek Manusia Menggunakan Support Vector Machine”. Universitas Indonesia,2007, Jakarta.

[10] Wijaya, Marvin.Ch. & Agus Prijono. Pengolahan Citra Digital Menggunakan Matlab, Bandung: Informatika, 2007.

jurnal ca paru

Health & Medicine