1.

Latar Belakang
Tumor atau neoplasma adalah pembengkakan atau luka yang terjadi akibat
pertumbuhan sel yang abnormal. Tumor dapat berupa benign, pre-malignant dan
malignant. Tipe malignant inilah yang biasa disebut dengan kanker. Berdasarkan data
dari GLOBOCAN, International Agencies for Research on Cancer (IARC), kanker
payudara merupakan kanker yang paling sering terjadi pada wanita di seluruh dunia
dengan persentase 25% atau sekitar 1,67 juta kasus yang didiagnosa pada tahun 2012
dan menempati posisi kedua dari keseluruhan jenis kanker yang ada di dunia. Di
Indonesia, menurut Profil Kesehatan Indonesia tahun 2012 terdapat dua jenis kanker
tertinggi di Indonesia yaitu kanker leher rahim dan kanker payudara. Pencegahan
kanker payudara dapat dilakukan dengan melakukan deteksi dini seperti metode
periksa payudara sendiri (SADARI) dan skrining melalui mammografi. Hal tersebut
efektif untuk menurunkan mortalitas dari kanker payudara. Keberadaan massa dan
mikrokalsifikasi pada payudara merupakan salah satu tanda akan timbulnya kanker.
Namun keberadaan massa dan mikrokalsifikasi sulit dideteksi dengan metode
SADARI, selain itu keberadaannya di citra mammogram konvensional juga sulit
untuk dilihat dengan kasat mata sehingga membuat para dokter dan ahli radiologi
sering mengalami kesulitan dalam menginterpretasikan hal tersebut.
Mammografi adalah suatu metode pencitraan payudara dengan menggunakan
sinar X berdosis rendah. Hasil skrining mammografi berupa film (mammogram
konvensional) atau mammogram digital. Berbagai metode telah banyak digunakan
dalam menganalisa keberadaan kanker pada citra digital mammogram. Nurhasanah &
Ihwan (2013) menggunakan metode Laplacian of Gaussian (LOG) dalam mendeteksi
tepi citra kanker payudara. Kosasi et al. (2012) menggunakan metode Support Vector
Machine (SVM) dalam mengklasifikasi citra digital mammogram. ETP et al. (2011)
menganalisa tekstur citra digital mammogram dengan menerapkan filter gabor untuk
mendeteksi adanya kelainan pada jaringan payudara.
Ekstraksi fitur merupakan proses pengambilan karakteristik atau ciri-ciri yang
unik dari suatu objek yang akan diolah. Metode Gray Level Co-occurrence Matrix
(GLCM) yang juga disebut dengan Grey Tone Spatial Dependency Matrix merupakan
salah satu metode statistik analisis tekstur berdasarkan pada hubungan antara nilai
piksel abu-abu dalam citra. GLCM menggunakan perhitungan tekstur pada orde kedua
yang memperhitungkan hubungan antar pasangan dua piksel pada citra asli. Evolving

Connectionist Systems (ECoS) adalah neural network yang mampu mengembangkan

struktur, fungsionalitas, dan representasi pengetahuan internal melalui pembelajaran
yang berkelanjutan dari data dan interaksi dengan lingkungan. ECoS mampu
mengatasi kelemahan-kelemahan pada jaringan saraf tiruan seperti kesulitan dalam
menentukan arsitektur sistem dan waktu pelatihan yang cukup lama. Algoritma ECoS
yang akan diimplementasikan adalah Simple Evolving Connectionist Systems
(SECoS).
Pada penelitian ini penulis akan menggunakan metode GLCM dalam ekstraksi
fitur pada citra digital mammogram dan ECoS dalam mengklasifikasi citra digital
mammogram tersebut. Penggunaan ECoS dalam mengklasifikasi citra digital
mammogram diharapkan mampu menghasilkan keakuratan lebih dari 90% dalam
mengidentifikasi kanker payudara.

2. Rumusan Masalah
Kanker payudara adalah suatu penyakit dimana terjadi pertumbuhan atau
perkembangan yang tidak terkontrol dari sel-sel (jaringan) payudara. Skrining melalui
mammografi merupakan satu dari beberapa metode deteksi dini kanker payudara.
Salah satu tanda akan adanya kanker pada payudara adalah keberadaan massa dan
mikrokalsifikasi, akan tetapi keberadaan massa atau mikrokalsifikasi pada citra
mammogram konvensional sulit untuk dilihat dengan kasat mata sehingga
memungkinkan untuk menghasilkan kesimpulan false negative yaitu mammografi
gagal dalam mendeteksi adanya kanker payudara ataupun false positif yaitu
mammografi mendeteksi adanya kanker payudara pada payudara yang normal. Oleh
karena itu diperlukan suatu pengolahan citra pada citra mammogram untuk
memudahkan dokter atau ahli radiologi dalam mendiagnosa kanker payudara.

3. Batasan Masalah
Batasan masalah pada penelitian ini adalah:
1. Citra digital mammogram yang digunakan berformat DICOM (Digital Imaging
and Communications in Medicine) dengan ekstensi dari file citra yang akan
diidentifikasi adalah .dcm.
2. Citra yang digunakan adalah citra berskala keabuan (grayscale image).

3. Identifikasi kanker payudara yang dilakukan hanya berdasarkan massa atau

mikrokalsifikasi yang ditemukan pada citra digital mammogram.

4. Tujuan Penelitian
Adapun tujuan dari penelitian ini yaitu untuk mengidentifikasi kanker payudara pada
citra digital mammogram menggunakan metode Evolving Connectionist Systems.

5. Manfaat Penelitian
Manfaat yang dapat diperoleh dari penelitian ini adalah:
1. Menambah wawasan dan pengetahuan tentang ECoS dan pengolahan citra
digital khususnya dalam bidang ekstraksi fitur.
2. Mengetahui kemampuan metode GLCM untuk ekstraksi fitur dan metode
ECoS dalam klasifikasi payudara abnormal pada citra digital mammogram.
3. Memberikan masukan untuk penelitian lain dalam bidang digital mammogram.
4. Membantu dokter atau ahli radiologi untuk mendiagnosa kanker payudara
melalui citra digital mammogram.

6. Metodologi Penelitian
Pada penelitian ini, metodologi penelitian secara umum dapat dilihat pada Gambar 1.
Data awal berupa citra digital mammogram dengan format dicom (.dcm) yang akan
diproses sehingga menghasilkan keluaran berupa hasil identifikasi apakah ada
kelainan atau tidak pada citra digital mammogram tersebut. Adapun proses-proses
yang dilakukan antara lain:
1. Input
Pada tahap ini, sistem membaca data input yang dimasukkan user, data input
harus berupa file citra berskala keabuan dan berekstensi .dcm.
2. Proses
a. Pra pengolahan
Pada tahap pra pengolahan, dilakukan penentuan Region of Interest (ROI) dan
perbaikan kualitas citra dengan teknik Contrast Limited Adaptive Histogram
Equalization (CLAHE).
Penentuan ROI dilakukan untuk mengurangi ukuran citra yang akan
diproses sehingga waktu perhitungan menjadi lebih cepat. ROI ditentukan

dengan memilih dan memotong (cropping) suatu area pada citra digital
mammogram yang diinginkan ataupun yang dicurigai akan adanya massa atau
mikrokalsifikasi.
CLAHE digunakan untuk meningkatkan kualitas citra menjadi lebih
baik lagi dengan mengatur kekontrasan citra sehingga dapat menampilkan
bagian-bagian yang gelap atau tidak terlihat.

Gambar 1. Proses Pelatihan

Gambar 2. Proses Klasifikasi

b. Feature extraction
Bit depth dari cropped image yang dihasilkan pada saat penentuan ROI
dikonversi ke 8 bit dan selanjutnya akan diubah menjadi GLCM yaitu suatu
matriks yang merepresentasikan hubungan ketetanggaan antar piksel dalam
citra pada berbagai arah orientasi dan jarak spasial sehingga menghasilkan
fitur-fitur dengan tingkat diskriminator yang diinginkan.
Penelitian ini akan menggunakan 4 GLCM dalam menentukan fitur
pada citra digital mammogram, yaitu GLCM dengan jarak spasial 1 dan sudut
0o, GLCM dengan jarak spasial 1 dan sudut 45o, GLCM dengan jarak spasial 1
dan sudut 90o, dan GLCM dengan jarak spasial 1 dan sudut 135o.
Dari 14 fitur tekstur yang disarankan oleh Haralick (1973), hanya 5 fitur yang
akan digunakan pada penelitian ini, kelima fitur tersebut adalah angular
second moment (ASM), contrast, inverse different moment (IDM), entropi, dan
korelasi. Karena setiap cropped image menghasilkan 4 GLCM maka terdapat
20 fitur yang akan terekstrak.
ASM merupakan ukuran homogenitas citra yang dihitung dengan cara seperti
berikut:
ASM =

)) .

L menyatakan jumlah level yang digunakan untuk komputasi.

Kontras merupakan ukuran keberadaan variasi aras keabuan piksel citra
dihitung dengan cara seperti berikut:
Kontras =

{|

)}.

IDM digunakan untuk mengukur homogenitas. IDM dihitung dengan cara

seperti berikut:
IDM =

)
)

Entropi menyatakan ukuran ketidakteraturan aras keabuan di dalam citra.

Nilainya tinggi jika elemen-elemen GLCM mempunyai nilai yang relatif sama.
Nilainya rendah jika elemen-elemen GLCM dekat dengan nilai 0 atau 1.
Entropi dihitung dengan cara seperti berikut:
Entropi =

).

Korelasi merupakan ukuran ketergantungan linear antar nilai aras keabuan

dalam citra. Korelasi dihitung dengan cara seperti berikut:

Korelasi =

( )

dengan
=

),

),

)(

) , dan

)(

) .

c. Pelatihan
Beberapa sampel ROI dari dataset yang sudah diperbaiki dengan teknik
CLAHE akan dilakukan ektraksi fitur menggunakan GLCM. Hasil dari
ektraksi fitur tersebut disimpan di dalam vektor fitur kemudian dilakukan
proses pelatihan pada jaringan ECoS sehingga sistem mampu mengidentifikasi
payudara abnormal. Sebuah jaringan ECoS jaringan saraf tiruan setidaknya
memiliki satu layer neuron yang berevolusi (evolving layer). Evolving layer
adalah layer konstruktif yang akan berkembang dan mengadaptasikan dirinya
terhadap data-data yang dimasukkan. Pelatihan dengan menggunakan
algoritma ECoS melibatkan empat parameter yaitu sensitivity threshold (Sthr),
error threshold (Ethr), dan dua buah learning rate 1 dan 2. Sensitivity
threshold dan error threshold merupakan parameter yang mengendalikan
penambahan neuron baru pada jaringan ECoS. Arsitektur umum dari ECoS
dapat dilihat pada Gambar 2.

Gambar 2. General ECoS architecture (Kasabov, 2007)

Fungsi aktivasi dari sebuah evolving layer adalah seperti berikut:

dimana Dn adalah jarak antara input vector dan incoming weight vector pada
neuron tersebut. Ketika jaringan ECoS terhubung sepenuhnya, hal tersebut
memungkinkan untuk mengukur jarak di antara input vector dan incoming
weight vector dari setiap evolving-layer neuron.
Algoritma ECoS yang akan diimplementasikan pada penelitian ini
adalah Simple Evolving Connectionist System (SECoS). SECoS mampu
memodelkan data training dengan neuron yang lebih sedikit pada evolving
layer. Jaringan SECoS terdiri dari tiga layer neuron yaitu input layer, evolving
layer dan output layer. Pengukuran jarak yang digunakan pada evolving layer
adalah normalisasi Manhattan distance seperti berikut:

dimana c adalah jumlah input neuron di SECoS, I adalah input vector, dan W
adalah input ke evolving layer weight matrix.
Selain tiga layer neuron tersebut juga terdapat dua layer penghubung
yaitu yang menghubungkan input layer dengan evolving layer serta yang
menghubungkan evolving layer dengan output layer.

d. Klasifikasi
Jaringan yang telah dilatih pada tahap sebelumnya digunakan oleh sistem
dalam mengklasifikasikan cropped image citra input. Klasifikasi dilakukan
berdasarkan kategori BI-RADS (Breast Imaging Reporting and Data System)
yang dikembangkan oleh American College of Radiology (ACR) sebagai
standarisasi pelaporan hasil mammografi.

Tabel 1. Kategori BI-RADS untuk temuan pada mammografi

Kategori

Deskripsi

Pemeriksaan belum lengkap (perlu pemeriksaan pencitraan lain).

Negatif atau normal.

Gambaran benign. Tidak memerlukan pemeriksaan lanjutan.

Kemungkinan benign. Diperlukan follow-up jangka pendek.

Mencurigakan malignant. Disarankan untuk dilakukan biopsi.

Kemungkinan besar malignant.

Malignant yang telah dibuktikan dengan biopsi.

3. Output
Kesimpulan dari temuan massa atau mikrokalsifikasi pada citra digital
mammogram akan dikategorikan sesuai dengan kategori BI-RADS. Kategori
BI-RADS untuk temuan pada mammografi dapat dilihat pada Tabel 1.

DAFTAR PUSTAKA

Profil Kesehatan Indonesia 2012. 2013. Kementerian Kesehatan Republik Indonesia:

Jakarta.
Breast Imaging and Reporting Data System (BI-RADS) Mammography, Fourth
Edition. American College of Radiology (ACR): Reston.
Moreira, I.C., Amaral, I., Domingues, I., Cardoso, A., Cardoso, M.J. & Cardoso, J.S.
2012. Inbreast: toward a full-field digital mammographic database. Academic
Radiology 19(2): 236-248.
Ferlay, J., Soerjomataram, I., Ervik, M., Dikshit, R., Eser, S., Mathers, C., Rebelo, M.,
Parkin, D.M., Forman, D. & Bray, F. 2013. GLOBOCAN 2012 v1.0, Cancer
Incidence

and

Mortality

Worldwide:

IARC

CancerBase

No.

11.

globocan.iarc.fr (diakses 25 Februari 2014).

Bray, F., Ren, J.S., Masuyer, E. & Ferlay, J. 2013. Estimates of global cancer
prevalence for 27 sites in the adult population in 2008, globocan.iarc.fr, 26
Juli 2012 (diakses 25 Februari 2014).
Nugroho, T. 2011. ASI dan Tumor Payudara. Nuha Medika: Yogyakarta.
Olfah, Y., Mendri, N.K. & Badiah, A. 2013. Kanker Payudara dan SADARI. Nuha
Medika: Yogyakarta.
Watts, M.J. 2009. A Decade of Kasabovs Evolving Connectionist Systems: A
Review. IEEE Transactions on Systems, Man and Cybernetics Part C
Applications and Reviews 39(3): 253-269.
Watts, M. & Kasabov, N. 2000. Simple evolving connectionist systems and
experiments on isolated phoneme recognition. IEEE Symposium

on

Combinations of Evolutionary Computation and Neural Networks: 232-239.

Haralick, R. M., Shanmugam, K. & Dinstein, I. 1973. Textural Features for Image
Classification. IEEE Transactions on Systems, Man, and Cybernetics 3: 610621.
Pertiwi, F.K.. 2011. Analisis Contrast Limited Adaptive Histogram Equalization
(CLAHE) dan Region Growing dalam Deteksi Gejala Kanker Payudara Pada
Citra Mammogram. Skripsi. Institut Teknologi Telkom.
Kasabov, N. 2007. Evolving Connectionist Systems The Knowledge Engineering
Approach. 2nd Edition. Springer: London.

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

Prasetyo, E. 2011. Pengolahan Citra Digital dan Aplikasinya menggunakan Matlab.
Andi: Yogyakarta.
Kadir, A. & Susanto, A. 2013. Teori dan Aplikasi Pengolahan Citra. Andi:
Yogyakarta.
ETP, L., Widodo, S. & Pambayun, D.A. 2011. Penerapan Filter Gabor Untuk Analisis
Tekstur Citra digital mammogram. Seminar Nasional Aplikasi Teknologi
Informasi 2011 (SNATI 2011), pp. 44-49.
Nurhasanah & Ihwan, A. 2013. Deteksi Tepi Citra Kanker Payudara dengan
Menggunakan Laplacian of Gaussian (LOG). Prosiding Semirata FMIPA
Universitas Lampung 2013, pp. 369-374.
Kosasi, H., Setiawan, K. & Sudarsan. 2012. Sistem Diagnosis Mammogram Dijital
Berbantukan Komputer dengan Menggunakan Teknik Ekstraksi Fitur dan
Support Vector Machines. Skripsi. Binus University.