Anda di halaman 1dari 26

Diterbitkan/Vol/

No Penulis Judul Metode Kesimpulan


Edisi/Tahun
1 Imam Santoso, Ajub Identifikasi TRANSMISI, Simulasi Analisis Berdasarkan hasil analisis dan
Ajulian Zahra, Dane Keberadaan Kanker Jurnal Teknik Teksturuntuk medeteksi simulasi yang telah dilakukan, maka
Kurnia Putra Pada Citra Elektro, kanker payudara dengan dapat disimpulkan :
Mammografi Volume11, mengidentifikasi jaringan 1. Nilai rata-rata ekstraksi ciri
Menggunakan Metode Nomor 2, Juni ke dalam gambar menggunakan wavelet Haar
Wavelet Haar 2009, Hlm. 100- mammogram untuk citra massa adalah
106 menggunakan metode 4058.8325, untuk citra
Wavelet Haar. mikroklasifikasi adalah
4308.2647 dan untuk citra
normal adalah 3580.5374.
2. Pada percobaan dengan
perbaikan kualitas
menggunakan 42 citra uji, 35
citra mampu dikenali. Pada
percobaan tanpa perbaikan
kualitas menggunakan 10
citra uji, hanya 5 citra yang
dikenali.
3. Dari gambar citra

TUGAS REVIEW METOLIT Page 1


mammografi yang telah
melalui proses ROI dan
perbaikan kualitas dengan
menggunakan wavelet Haar
mampu mengenali sebesar
86%, dengan rasio kesalahan
14%. Dari gambar citra
mammografi yang telah
melalui proses ROI tanpa
perbaikan kualitas dengan
menggunakan wavelet Haar
mampu mengenali sebesar
50%.
2 Imam Santoso, Identifikasi Transmisi, Mengidentifikasi dan Dari percobaan yang telah dilakukan
Achmad Hidayatno, Keberadaan Tumor Jurnal Teknik mendeteksi area yang didapatkan hasil
Andrio Ghara Pratama Pada Citra Elektro, Jilid 10, merupakan potensi kanker 1. Proses perbaikan citra
Mammografi Nomor 1, Maret dari citra mammogram menggunakan metode Run
Menggunakan Metode 44 2008, hlm dengan menggunakansalah Length dapat memberikan
Run Length 43-48 satu dari metode analisis kontras yang lebih tinggi
tekstur Run Length, dibandingkan dengan citra
sebagai dasar mammografi asli, hal ini

TUGAS REVIEW METOLIT Page 2


pengembangannya. dapat mempermudah dalam
proses analisis tekstur
maupun pada proses
klasifikasi.
2. Analisis tekstur
menggunakan metode run
length dapat digunakan untuk
mendapatkan ciri tekstur
yang akan dijadikan
parameter dalam proses
klasifikasi dengan k-NN.
Pada proses klasifikasi k-NN,
rasio pengenalan untuk k
bernilai 1, 2, 3, 4 dan 5 secara
berurutan adalah 70%, 72%,
70%, 64% dan 72%.
Metodeklasifikasi k-NN akan
semakin baik denganjumlah
data latih yang semakin besar.
3 Riyan Hartadi, Imam Deteksi Potensi Makalah Tugas Metode analisis tekstur, Kesimpulan yang dapat diambil dari
Santoso, Achmad Kanker Payudara Akhir 2002 GLCM (Gray Level Co penelitian yang dilakukan :

TUGAS REVIEW METOLIT Page 3


occurrence Matrices) 1. Pada klasifikasi k-NN, rasio
digunakan untuk kesalahan untuk k bernilai 1, 2, 3,
mencirikan tekstur massa 4, dan 5 secara berurutan adalah
tumor, normal, serta gugus 20%, 18%, 16%, 16% dan 14%.
mikrokalsifikasi pada area Rasio pengenalan untuk k bernilai

Pada Mammogram mammogram. 1, 2, 3, 4, dan 5 secara berurutan

Menggunakan Metode adalah 80%, 82%, 84%, 84% dan


Hidayatno
Gray Level Co- 86%.
2. Analisis tekstur dengan metode
Occurrence Matrices
GLCM serta klasifikasi k-NN
dapat digunakan dalam
pengolahan citra mammogram
digital untuk membantu
pemeriksaan mammogram.

4 Handayani Tjandrasa, Analisa Mammografi Vol. 14, No. 2, Analisa kalsifikasi pada Dari uraian sebelumnya dapat
Anak Agung Ngurah Mikrokalsifikasi Mei 2003 - citra disimpulkan beberapa hal berikut:
Gunawan, Idg Menggunakan Ciri- Majalah IPT mammografikuntukmenent 1. Dilihat dari bentuk grafik
Sukardja Ciri Struktur Citra ukan jenis tumor payudara temyata jenis normal
Tingkat Keabuan yang terdeteksi berupa garis lurus, sedangkan
(ganasataujinak) yang positif tumor

TUGAS REVIEW METOLIT Page 4


denganmenggunakanmeto bempa garis tidak
de Histogram OrdeDua. lurus.Tumor
ganasmikrokalsifikasi berupa
garis lurus,dilanjutkanmiring
ke bawah dan kembali lurus.
Untukjenistumor jinak
tanpamikrokalsifikasi berupa
garis
miring keatas
selanjutnyalurus. Untuk
jenistumor ganas tanpa
mikrokalsifikasiberupagarism
iring ke bawah
selanjutnyalurus.
2. Analisa mammografi
mikrokalsifikasimenggunaka
n metodastatistik histogram
orde
dua terbukti
menghasilkankebenaran
prediksisekitar 97,5%

TUGAS REVIEW METOLIT Page 5


Mengenali dua jenis pola Dari uraian sebelumnya dapat
jaringan payudara, yaitu disimpulkan beberapa hal berikut:
jaringan payudara normal 1. Jaringan LVQ dapat
dan jaringan payudara digunakan untuk proses
yang mengandung pengenalan pola jaringan
mikrokalsifikasi dengan normal dan jaringan dengan
menggunakan pengenalan mikrokalsifikasi pada citra
pola Artifical Neural mamografi digital.
Klasifikasi Citra 2. Transformasi tophat pada
Network (ANN), yaitu
Mamografi Elektron: Vol. 1 citra mampu meningkatkan
LVQ (Learning Vector
5 Indah Susilawati Menggunakan No. 2, Edisi: kinerja pengenalan pola oleh
Quantization) pada citra
Jaringan Syaraf Desember 2009 jaringan LVQ. Kinerja
mammogram digital
Tiruan pengenalan pola tertinggi
menggunakan perangkat
tanpa transformasi tophat
lunak Matlab.
hanya mencapai 59%,
sedangkan dengan pra-
pengolahan berupa
transformasi tophat kinerja
pengenalanpola oleh jaringan
LVQ mencapai 97%.

TUGAS REVIEW METOLIT Page 6


6 Lestari Handayani, Segmentasi Jurnal Sains, Pengolahan citra dengan Setelah melalui tahap analisa dan
Indah Inzani Septa Mamografi Kanker Teknologi dan Segmentasi Mammografi pengujian, dapat diambil beberapa
Payudara Dengan Industri, Vol. 11, menggunakan Algoritma kesimpulan bahwa
Algoritma No. 2, Juni Expectation Maximization 1. Proses segmentasi
Expectation 2014, pp. 251 - Segmentation sebagai menggunakan aplikasi
Maximization 258 proses memperjelas dan Matlab dengan Algoritma
Segmentation (Em- mempertajam ciri atau Expectation Maximization
Segmentation) fitur citra sehingga Segmentation dapat membagi
tersegmentasi dengan citra menjadi beberapa
pembagian Cluster. Cluster dan dari pembagian
Cluster Tersebut dapat
mengenal dan menunjukkan
area kanker pada citra
Mamografi kanker payudara.
2. pengujian dengan jumlah
Cluster untuk hasil keluaran
segmentasi citra Mamografi
kanker payudara yang baik
terdapat pada jumlah Cluster
5. Area kanker dengan warna
merah tua dan penyebarannya

TUGAS REVIEW METOLIT Page 7


warna orange.

7 Helmy Thendean, Penerapan Fuzzy If- Jurnal Peningkatan kualitas Dari hasil penelitian yang telah
Meylina Sugiarto Then Rules Untuk Informatika Vol. kontras citra mammografi dilakukan dapat ditarik kesimpulan
Peningkatan 9, No. 1, Mei menggunakan metode bahwa:
Kontras Pada Citra 2008: 1 - 7 Fuzzy IF-THEN Rules 1. Hasil proses peningkatan
Hasil Mammografi dengan empat pendekatan kontras citra dengan metode
basis pengetahuan Fuzzy IF-THEN memiliki
kulitas citra yang lebih baik
dibandingkan dengan
Histogram Equalization
karena citra yang dihasilkan
dari metode Histogram
Equalization terlalu terang
sehingga menyulitkan
radiolog untuk menganalisis
citra tersebut.
2. Hasil pengujian menunjukkan
bahwa dari 50 citra yang
diberikan, terdapat 48 citra
hasil pendekatan 3 sebagai

TUGAS REVIEW METOLIT Page 8


citra yang terbaik. Hanya 2
citra yang berasal dari
pendekatan 4 yang dipilih
oleh radiolog sebagai yang
terbaik..
Proses pendeteksian Berdasarkan percobaan yang
Segmentasi Teknologi kanker payudara dalam dilakukan menunjukkan hasil proses
Morphologi Informasi: Teori, citra mammografi dengan thresolding 175 mampu memisahkan
Untuk Deteksi Konsep dan menggunakan algoritma objek dengan latarbelakang lebih
8 Khoerul Anwar
Kanker Payudara ImplementasiVo segmentasi Morfologi. baik dibandingkan dengan lainnya,
Pada Digital lume 1 Nomor proses segmentasi objek keberadaan
Mammograf 1, Maret 2010 kanker berjalan dengan baik pada
citra gray scale
9 Nurhasanah, Andi Deteksi Tepi Citra Prosiding Deteksi tepi (Batas antara Deteksi tepi citra mammogram
Ihwan Kanker Payudara Semirata jaringan sehat dan jaringan dengan menggunakan operator
Dengan Menggunakan FMIPA kanker) citra kanker Laplacian ofGaussian cukup efektif
Laplacian Of Universitas payudara untuk dianalisa digunakan karenamenghasilkan citra
Gaussian (Log) Lampung, 2013 dan diiagnosa lebih lanjut, bagian-bagian payudarayang dapat
dengan menggunakan dibedakan dengan jelas,khususnya
Laplace of Gaussian. bagian yang abnormal. Selain
ituwaktu yang digunakanselama

TUGAS REVIEW METOLIT Page 9


proses kurang dari 1 detik.
Deteksitepi ini sangat dipengaruhi
oleh besarnyakontras citra, intensitas
dari masing-masingcitra dan
besarnya pixel citra.
Analisis Tekstur terhadap Berdasarkan percobaan yang telah
citra mammogram dengan dilakukan, parameter frekuensi serta
menggunakan filter Gabor. derajat orientasi mampu
Seminar
meningkatkan kualitas citra yang
Nasional
dihasilkan. Hasil pengujian untuk
Penerapan Filter Aplikasi
Lusslana Etp, citra pertama yang menggunakan
Gabor Untuk Analisis Teknologi
10 Suryarini Widodo, Di derajat orientasi kostan akan
Tekstur Citra Informasi 2011
Ajeng Pambayun menghasilkan output tekstur lebih
Mammogram (SNATI 2011)
mudah diidentifikasi dibanding
Yogyakarta, 17-
tekstur lainnya. Pada frekuensi 0,176
18 Juni 2011
inilah yang mampu menampilkan
bentuk tekstur paling jelas dibanding
tekkstur lainnya.
11 Sri Yulianto J.P., Penerapan Logika Jurnal Teknologi Mendeteksi tepi kanker Dari hasil percobaan dapat
Yessica Nataliani, Fuzzy Pada Sistem Informasi-Aiti, payudara dalam disimpulkan bahwa :
Anton Kurniawan Deteksi Tepi Vol. 6. No. 1, pengolahan citra 1. Algoritma yang dirancang

TUGAS REVIEW METOLIT Page 10


menggunakan metode telah bisa memenuhi tujuan
teknik Fuzzy. perancangan yaitu
Aplikasi Computer
mendeteksi tepi kanker
Assistant Februari 2009:
payudara secara cepat.
DiagnosisKanker 1-100
2. Dari 15 sampel citra kanker,
Payudara
13 citra dapat terdeteksi
dengan baik dan ekonomis
12 Nailis Saadah, Acep Variasi Filter Pada PROSIDING Pendeteksian kanker Berdasarkan percobaan yang telah
Purqon Deteksi Tepi Metode SKF 2015 16-17 payudara dengan deteksi dilaksanakan dapat diketahui bahwa :
Canny Untuk Desember 2015 tepi citra mammografi 1. Deteksi tepi mampu
Mendeteksi Kanker menggunakan metode mendeteksi objek kanker
Payudara Canny yang dilakukan dengan jelas.
2. Hasil ini memberikan
dengan konvolusi fungsi
indikasi bahwa pengolahan
image dengan operator
citra dengan deteksi tepi
Gaussian dan turunan-
Canny dapat diandalkan
turunannya.
dalam pemecahan masalah
ketepatan posisi tepi citra,
khususnya jika diterapkan
dalam mendeteksi kanker
payudara.
3. Hasil dari pemetaan lokasi

TUGAS REVIEW METOLIT Page 11


dan deteksi ini merupakan
salah satu langkah
preprocessing pengobatan
kanker ketahap selanjutnya.
13 Habib Syeh Alzufri Pengembangan Makalah Skripsi mendiagnosis jaringan Dari hasil eksperimen ini dapat
Electrical Capacitance Tahun 2011 tumor pada payudara pada disimpulkan beberapa hal, yaitu :
Volume kondisi tertentu beserta 1. Metode rekonstruksi simulasi
Tomography (Ecvt) anatominya dengan Landweber pada ECVT untuk
Untuk Rekonstruksi pengembangan teknik sistem pencitraan phantom
Citra Dan pencitraan menggunakan jaringan payudara manusia
Diagnosis Kanker modalitas kapasitansi memiliki hasil yang lebih
Payudara listrik atau disebut dengan baik dibandingkan dengan
Electrical Capacitance rekonstruksi metode
Volume Tomography Tikhonov.
2. Hasil simulasi dan
(ECVT)
eksperimen ECVT mampu
mendeteksi objek phantom
dengan hasil citra yang cukup
jelas sehingga untuk
pengembanganya kedepan
memiliki peluang besar

TUGAS REVIEW METOLIT Page 12


dalam mendeteksi kanker
pada payudara manusia.
Mengekstrak ciri yang Dari penelitian yang telah
terdapat pada citra dilakukan dapatditunjukkan
termogram payudara bahwa nilai dimensi Hausdorf
dengan menggunakan pada termogram normal lebih
Ektraksi Ciri
metode dimensi fraktal kecil daripada nilai dimensi
Citra Termogram Forum Teknik
untuk membedakan Hausdorf pada termogram
14 Susiana Sidabutar Payudara Vol. 33, No.
termogram normal dan kanker lanjut sehingga dapat
Berbasis 2, Mei 2010
kanker lanjut. disimpulkan bahwa perbedaan
Dimensi Fraktal dimensi fraktal dapat digunakan
untuk membedakan termogram
normal dan termogram kanker
lanjut.
15 Refta Listia, Agus Klasifikasi Massa IJCCS, Vol.8, Mengklasifikasi Dari hasil eksperimen ini dapat
Harjoko Pada Citra No.1, January mammogram berdasarkan disimpulkan beberapa hal, yaitu :
Mammogram 2014, pp. 59~68 kelas normal, tumor jinak, 1. Klasifikasi dengan
Berdasarkan Gray dan tumor ganas dengan menggunakan metode
Level Cooccurence menggunakan ekstraksi ekstraksi ciri GLCM 4 arah
Matrix(GLCM) ciri Gray Level dan d=1 dimana
Cooccurence Matrix menggunakan 2 layer
(GLCM) pada tahap tersembunyi dengan 19 node

TUGAS REVIEW METOLIT Page 13


preprosessing. pada layer tersembunyi,
learning rate 0,001 memiliki
rata-rata akurasi sebesar
81,1%.
2. Klasifikasi dengan
menggunakan metode
ekstraksi ciri GLCM dengan
jarak d=1 dimana
menggunakan 2 layer
tersembunyi dengan 19 node
pada layer tersembunyi,
learning rate 0,001 memiliki
sensitivitas, spesifisitas dan
akurasi sebesar 100% yaitu
pada orientasi arah .
3. Metode esktraksi ciri GLCM
4 arah dengan d=1 mampu
mengklasifikasi citra
mammogram ke dalam kelas
normal, tumor ganas dan

TUGAS REVIEW METOLIT Page 14


tumor jinak.

16 Surahmat Laguni Analisis Metode Makalah Skripsi Meningkatkan akurasi Berdasarkan kegiatan yang telah
Preprocessing Pada Tahun 2016 pendeteksian dan dilaksanakan dalam penelitian, dapat
Citra Mammogram (UIN Sunan memperjelas bagian pada diambil kesimpulan, diantaranya :
Kalijaga) citra mammogram 1. Metode Preprocessing
menggunakan tahapan memberikan hasil yang cukup
Preprocessing. baik. Hal ini dibuktikan
dengan hasil dari proses
filtering dengan metode
Adaptive Media Filter
memberikan kualitas yang
lebih baik dibandingkan
dengan metode Median filter.
Ctra dengan metode AMF
menghasilkan rata-rata PSNR
42,3092 dB dengan standar
deviasi 1,98 dan linai rata-
rata MSE 4,1386 dengan
standar deviasi 1,36. Pada
metode MF menghasilkan

TUGAS REVIEW METOLIT Page 15


rata-rata PSNR 38,8766 dB
dengan standar deviasi 2,06
dan linai rata-rata MSE
9,0918 dengan standar
deviasi 3,08.
2. Hasil segmentasi dengan
metode region growing
menunjukkan hasil yang lebih
baik dalam memertahankan
fitur penting pada citra jika
dibandingkan dengan metode
otsu dan metode watershed.
17 Fourina Ayu Novianti Analisis Diagnosis Klasifikasi dan diagnosis Berdasarkan hasil dan pembahasan
Dan Santi Wulan Pasien Kanker keadaan pasien kanker yang telah dilakukan, dapat
Purnami Payudara payudara benign (jinak) disimpulkan bahwa
Menggunakan Regresi dan malignant 1. performansi akurasi
Logistik Dan Support (ganas) berdasarkan hasil klasifikasi terbaik dimiliki
Vector mamografi dan melakukan oleh SVM yaitu sebesar
Machine (Svm) analisisfaktor-faktor apa 94,34% sedangkan regresi
Berdasarkan Hasil saja yang mempengaruhi logistik sebesar 84,90%
Mamografi kanker dengan menggunakan partisi

TUGAS REVIEW METOLIT Page 16


payudaramenggunakan 80:80.
2. Pada regresi logistik biner,
metode regresi logistik
kanker payudara malignant
dan support vector
dipengaruhi oleh
machine
faktor intermediate
(SVM).
findings BIRADS, Suspicious
for malignancy, dan usia.
Sedangkan pada metode
SVM, kanker
payudara malignant dipengar
uhi oleh semua variabel
prediktor.

18 Beatrix Hedwig Terok Pendeteksian Kanker Makalah Skripsi Menghasilkan suatu alat Dari hasil eksperimen ini dapat
Payudara Pada Tahun 2006 bantu untuk mendiagnosa disimpulkan beberapa hal, yaitu :
Mammogram (Universitas mammogram dan 1. Filter Symlet 8 dapat
Menggunakan Filter Telkom) mengklasifikasikan tipe memberikan hasil ekstraksi
Wavelet Symlet Dan kelainan payudara ke yang lebih baik untuk
Jaringan Saraf Tiruan dalam kelas jinak pendeteksian kanker
Backpropagation (benigna) dan ganas payudara dibandingkan
(Breast Cancer (maligna), dan Symlet 3 yang terlalu sensitif

TUGAS REVIEW METOLIT Page 17


menganalisa performansi terhadap frekuensi tinggi
filter wavelet dari keluarga maupun Symlet 20 yang
Symlet. mendekomposisi citra dengan
sangat halus (smooth)
Detection In
2. Tingkat keakuratan sistem
Mammogram Using
untuk citra latih adalah 100%
Symlet Wavelet Filter
dan untuk citra uji adalah
And Back-Propagation
86,67%.
Neural Network)
3. Spesifikasi JST-BP yang
meberikan hasil optimal pada
penelitian ini yaitu, 2 hidden
layer, 100 hidden neuron.
19 Yusti Fitriyani Aplikasi Deteksi Makalah Skripsi Membuat aplikasi Deteksi Berdasarkan eksperimen yang telah
Nampira Mikrokalsifikasi Dan 2011 Mikrokalsifikasi dan dilakukan dapat diketahui bahwa :
Klasifikasi Citra (Universitas Klasifikasi Citra 1. Hasil dari program ini berupa
Mammogram Berbasis Gunadarma) Mammogram Berbasis citra digital dengan area
Tekstur Sebagai Tekstur Metode untuk mikrokalsifikasi yang
Pendukung Diagnosis memperbaiki kualitas citra terdeteksi ditandai oleh garis
Kanker Payudara mammogram berwarna hitam dan
menggunakan metode klasifikasi citra mammogram.
2. Dari hasil uji coba persentasi
Otsu Tresholding, Canny,

TUGAS REVIEW METOLIT Page 18


Morfologi Citra operasi keberhasilan aplikasi ini
Dilasi, Gray Lavel Co- untuk mengklasifikasikan
occurrence Matrix data uji yang termasuk di
(GLCM) dan Support dalam basis data data latih,
Vector Machine (SVM) pada citra mammogram
abnormal sebesar 80% dan
pada citra mammogram
normal sebesar 86%.
Sedangkan persentasi
keberhasilan aplikasi ini
untuk mengklasifikasikan
data uji yang tidak termasuk
di dalam basis data data latih,
pada citra mammogram
abnormal sebesar 80% dan
pada citra mammogram
normal sebesar 90%.
20 Baktiar Karisma , Implementasi Adaptive Undergraduate Mengidentifikasi kanker Ujicoba yang telah dapat
Diana Purwitasari, Support Vector Thesis, payudara degan bantuan disimpulkan bahwa tingkat
Anny Yuniarti Machine Informatics komputer menggunakan keberhasilan pendeteksian kanker
untuk Membantu Engineering, metode klasifikasi Support payudara rata-rata diatas 60 persen

TUGAS REVIEW METOLIT Page 19


Vector Machine terhadap dengan menggunakan data terpilih
citra mammogram. maupun acak. Akurasi optimal pada
data terpilih diperoleh dengan
menggunakan nilai penalti faktor 5
Identifikasi Kanker RSIf 621.367
dan 3 citra hasil kembalian.
Payudara Kar i, 2010
Sedangkan pada data acak akurasi
tertingginya diperoleh dengan
menggunakan nilai penalti faktor 15
dan hasil kembalian5.
21 Ali Keles, Ayturk Extracting Fuzzy Received: Diagnosis kanker payudara Dari hasil percobaan dapat
Keles Rules For The 24.12.2010 dengan mengetahui lebih disimpulkan beberapa hal yaitu :
Diagnosis Of Breast Accepted: lanjut aturan Fuzzy 1. Metode Neuro-Fuzzy
Cancer 27.06.2011 menggunakan klasifikasi digunakan untuk
Published neuro-fuzzy yang disebut membedakan antara jinak dan
Online: NEFCLASS. ganas dari temuan
12.08.2013 mamografi. Metode Neuro-
Printed: Fuzzy ini telah memberikan
06.09.2013 hasil terbaik dalam
implementasi medis. Proporsi
biopsi dilakukan pada lesi
non teraba hanya 15%-30%;

TUGAS REVIEW METOLIT Page 20


Namun, lesi
mammographically
mencurigakan terbukti ganas.
2. Teknik AI telah digunakan
untuk menyesuaikan model
medis yang kompleks.
Khususnya, banyak studi
tentang kanker telah
menunjukkan bahwa
penggunaan teknik ini
meningkatkan tingkat akurasi
dalam mendiagnosis,
pementasan, dan
memperkirakan hasil
posttreatment bila
dibandingkan dengan analisis
statistik konvensional.
22 R. Ramani, Dr. The Pre-Processing I.J. Image, Memperbaiki dan Berdasarkan perbandingan dari
N.Suthanthira Vanitha, Techniques For Breast Graphics and menyesuaikan gambar empat jenis filter yang diuji, untuk
S. Valarmathy Cancer Detection In Signal mammogram dalam proses 322 gambar mammogram, diperoleh
Mammography Images Processing, preprocessing dengan hasil bahwa adaptif median filter

TUGAS REVIEW METOLIT Page 21


berbagai jenis teknik filter, adalah metode yang lebih tepat
seperti rata-rata filter, dibandingkan dengan filter lainnya.
2013, 5, 47-54 adaptif filter median, rata- Hal ini dikarenakan kualitas gambar
rata atau mean filter, dan dari filter median adaptif lebih baik
filter wiener. dari filter lainnya.
Penyajian citra Dari percobaan dapat kita simpulkan
International mammografi dengan bahwa CAD memanfaatkan
Journal of dibantu computer aided segmentasi spikula dan
Digital Mammogram
Computer diagnosis (CAD) yang memanfaatkan fitur asal gradien
Spiculated Mass
John Ball Graphics merupakan sistem gambar dari spikula segmen karna
23 Detection And Spicule
Vol. 2, No. 1, otomatis untuk mendeteksi terlalu banyak noise. Pada metode ini
Segmentation using
May, 2011 segmenspikula di DTLO memberikan hasil yang baik
Level Sets
mammogram digital, dan kurang peka terhadap noise.
spiculation segmentation
with level sets (SSLS)
24 K. Yuvaraj, U.S. Computer Aided EJBI Volume Pengklasifikasian massa Klasifikasi yang dilakukan
Ragupathy Segmentation and 9 (2013), Issue 2 dengan ANFIS dalam menggunakan ANFIS dengan
Classication of Mass mendeteksi kanker MATLAB memberikan nilai akurasi
in Mammographic payudara menggunakan yang tinggi. Hasil penelitian
Images using ANFIS dua langkah segmentasi, menunjukkan bahwa akurasi
yaitu melalui proses keseluruhan adalah 91,30%.

TUGAS REVIEW METOLIT Page 22


tresholding berulang dan
segmentasi kontur aktif.
Pendeteksian kanker Dengan menggunakan operasi
Journal of payudara dengan citra morfologi dan FCM yang merupakan
Automatic Detection
Theoretical and mammografi pendekatan baru, sistem
Of Breast Cancer
Applied menggunakan Operator pendeteksian massa pada payudara
Mass In
S.Saheb Basha, Information Morphologi dan Fuzzy C- berhasil dilakukan, hal ini dapat
25 Mammograms Using
Dr.K.Satya Prasad Technology means untuk membedakan memudahkan dokter untuk
Morphological
2005 - 2009 massa abnormal atau mendeteksi kanker payudara pada
Operators And Fuzzy
JATIT. normal pada payudara tahap awal proses diagnosis.
C Means Clustering
dengan prosedur
segmentasi.
Teknik pendeteksian Hasil percobaan klasifikasi
kanker payudara dengan mammogram menggunakan SVM
Detection Of Breast
ISSN (Online): citra mammogram classifier ini menunjukkan bahwa
Cancer In
2347-3878 menggunakan metode menghasilkan akurasi yang tinggi
26 Varsha J. Gaikwad Mammogram Using
Volume 3 Edisi klasifikasi Support Vector yaitu 83% . Hasil percobaan ini dapat
Support Vector
2, Februari 2015 Machine (SVM). membantu ahli radiologi dalam
Machine
membuat diagnosis secara akurat
tanpa harus melakukan biposi.

TUGAS REVIEW METOLIT Page 23


Membedakan temuan Dari eksperimen yang telah
mammografi jinak dan dilakukan dapat diketahui bahwa :
ganas dengan 1. sistem Ex-DBC ini mampu
A. Keles_ et al. / menggunakan sistem Ex- meminimalisir kesalahan
Expert System Based Expert Systems DBC (Expert system for manusia. , yaitu dengan
Ali Keles_, Aytrk On Neuro-Fuzzy Rules with Diagnosis of Breast tingkat kebenaran yang tinggi
27
Keles, Ug Ur Yavuz For Diagnosis Breast Applications 38 Cancer) dengan yaitu sekitar 96%.
Cancer (2011) 5719 menerapkan atran Fuzzy 2. Sistem ini juga memberikan
5726 kemudahan karena untuk
mendiagnosis kanker
payudara tidak diperlukan
lagi melakukan biopsi.
28 D. Cherifi, A. Mammography 978-1-4673- Pendeteksian kanker Dari eksperimen yang telah
Beghdadi, P. Viaris De Analysis Using A Soft 0753- payudara dengan metode dilakukan dapat diketahui bahwa :
Lesegno, A.H Perceptual 6/11/$26,00 segmentasi citra 1. proses ini menyesuaikan
Belbachir Segmentation 2011 IEEE mammografi berdasarkan ukuran pixel pada citra sesuai
Approach pendekatan Fuzzy. Proses dengan wilayah citra yang
segmentasi ini tersegmentasi.
meningkatkan kontras citra 2. Pendekatan ini meningkatkan
ketika massa abnormal dan menghalangi noise yang
diidentifikasi. tidak diharapkan dalam citra.

TUGAS REVIEW METOLIT Page 24


3. Algoritma yang telah
dilakukan memberikan hasil
rincian yang halus pada citra.
Segmentasi mammografi
pada citra membuat diagnosis
kanker payudara lebih
mudah.
3rd International Pendeteksian kanker Hasil percobaan yang telah
Conference on payudara dengan metode dilakukan dapat disumpulkan bahwa
Automatic Electronics, Region Growing meliputi setelah membandingkan segmentasi
Mammographic Mass Biomedical pemilihan citra secara yang telah dilakukan dengan
K.Yuvaraj,
29 Segmentation Engineering and otomatis dengan segmentasi seorang ahli, segmentasi
U.S.Ragupathy
based on Region its Applications mengekstraksi fitur dalam eksperimen dapat digunakan
Growing Technique (ICEBEA'2013) statistik pada citra dan berlaku sebagai segmentasi
April 29-30, mamografi. massa.
2013 Singapore
30 J. Dheeba, N. Albert Computer-Aided Journal of Pendeteksian kelainan Dari hasil eksperimen yang telah
Singh, S. Tamil Selvi Detection Of Breast Biomedical payudara pada dilakukan dapat disumpulkan bahwa
Cancer On Informatics 49 mammogram digital PSOWNN memberikan peningkatan
Mammograms: A (2014) 4552 menggunakan Particle akurasi terhadap masalah analisi citra
Swarm Swarm Optimized Wavelet mammografi digital untuk deteksi

TUGAS REVIEW METOLIT Page 25


Intelligence Optimized Neural Network kanker payudara. Hasil klasifikasi ini
Wavelet Neural (PSOWNN) jauh lebih baik daripada klasifikasi
Network Approach tradisional.

TUGAS REVIEW METOLIT Page 26