Anda di halaman 1dari 22

 

BAB 2

LANDAS AN TEORI

2.1KecerdasanBuatan

2.1.1 Sejarah

Padaawalabad 17, René

Descartesmengemukakanbahwatubuhhewandapatdiaplikasikanpadamesin.Blai

se Pascalmenciptakanmesinpenghitung digital mekanispertamapada

1642.Pada 19, Charles BabbagedanAda

Lovelacemembuatmesinpenghitungmekanis yang dapatdiprogram.

Bertrand RusselldanAlfred North WhiteheadmenerbitkanPrincipia

M athematica, yang merombaklogika formal.Warren M cCullochdanWalter

Pittsmenerbitkan "Gagasankalkuluslogis yang terdapatpadaAktivitas" pada

1943 yang meletakkanpondasiuntukkecerdasanbuatan.

Tahun 1950-an adalahperiodeusahaaktifdalam AI. Program AI

pertama yang bekerjaditulispada 1951 untukmenjalankanmesinFerranti M ark

I di University of M anchester (UK): sebuah program permainannaskah yang

ditulisolehChristopher Stracheydan program permainancatur yang

ditulisolehDietrich Prinz. John M cCarthy membuatistilah "kecerdasanbuatan"

padakonferensipertama yang disediak an untukpokokpersoalanini,

10
11
 
pada 1956. DiajugamenemukanbahasapemrogramanLISP.Alan

TuringmemperkenalkanTuring

testsebagaisebuahcarauntukmengoperasikantesperilakucerdas. Joseph

WeizenbaummembangunELIZA, sebuahchatterbot yang

menerapkanpsikoterapiRogerian.

Selamatahun 1960-andan 1970-an, Joel

M osesmendemonstrasikankekuatanpertimbangansimbolisuntukmengintegrasi

kanmasalah di dalam program M acsyma, program berbasispengetahuan yang

suksespertama kali dalambidangmatematika. M arvin M inskydanSeymour

PapertmenerbitkanPerceptrons, yang

mendemostrasikanbatasjaringansyarafsederhanadanAlain

ColmerauermengembangkanbahasakomputerProlog. Ted

Shortliffemendemonstrasikankekuatansistemberbasisaturanuntukrepresentasip

engetahuandaninferensidalamdiagnosadanterapimedis yang

kadangkaladisebutsebagaisistempakarpertama.Hans

M oravecmengembangkankendaraanterkendalikomputerpertamauntukmengata

sijalanberintang yang kusutsecaramandiri.

Padatahun 1980-an,

jaringansyarafdigunakansecarameluasdenganalgoritmaperambatanbalik,

pertama kali diterangkanolehPaul John Werbospada 1974.Tahun 1990-

anditandaiperolehanbesardalamberbagaibidang AI

dandemonstrasiberbagaimacamaplikasi. LebihkhususDeep Blue,


12
 
sebuahkomputerpermainancatur, yang mengalahkanGarry

Kasparovdalamsebuahpertandingan 6 babakpadatahun 1997. DARPA

(Defense Advanced Research Projects Agency) yang

mengaturbertanggungjawabterhadappenggunaanteknologipadamilitermenyata

kanbahwabiaya yang disimpanmelaluipenerapanmetode AI

untukpenjadwalanpadaPerangTelukpertama.

TantanganHebat DARPA, yang dimulaipada 2004

danberlanjuthinggahariini, adalahsebuahlombauntukhadiahsebesar 2 juta

Dollar AS

untukpembuatteknologidimanakendaraandapatberjalansendiritanpakomunikas

idenganmanusia, menggunakanGPS, komputerdansusunansensor yang

canggih, melintasibeberaparatus mil daerahgurun yang menantang.

2.1.2 Definisi

Kecerdasansemu (artificial intelligent/intelligent system) didefinisikan

sebagai kecerdasan entitas ilmiah. Sistem seperti ini umumnya terdapat di

dalam komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu

mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat

dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan

buatan antara lain:

− Sistem pakar

− Permainan komputer (games)


13
 
− Citra komputer (computer vision)

− Logikasamar (fuzzy logic)

− Jaringan syaraf tiruan (artificial neural network)

− Robotika, dll

2.2 Computer Vision

2.2.1 Definisi

Computer Vision merupakan bidang yang mencakup pengolahan

otomatis gambar yang diekstrak dan menginterpretasikan informasi secara

real time yang berguna untuk memecahkan masalah. Computer Vision

merupakan cabang dariilmu Kecerdasan Semu/Buatan yang memungkinkan

komputer untuk mengekstrak informasi dari sebuah gambar. Contoh-contoh

aplikasi yang berjalan menggunakan Computer Vision antara lain:

• Proses Kontrol (contoh : kontrol robot)

• Navigasi (contoh : kendaraan otomatis)

• Deteksi keadaan (contoh : penghitung orang dan visual surveillance)

• Organisasi Informasi (contoh : pengindex pada gambar)

• Objek M odelling dan Lingkungan (contoh : analisa pada gambar medical

dan modeling topografi)

• Interaksi (contoh: media penunjuk untuk interaksi antara manusia dengan

komputer)

• Inspeksi Otomatis (contoh : aplikasi manufaktur)

Adapun proses-proses yang melandasi proses kerja Computer Vision

antara lain:
14

Gambar 2.1 proses kerja

• Akuisisi Citra

Gambar digital akan diproduksi terlebih dahulu tergantung kebutuhan

sistem

• Pra-Proses (pre-processing)

Sebelum metode Computer Vision dilaksanakan pada data gambar untuk

diekstrak informasinya. Biasanya dibutuhkan beberapa proses untuk

memastikan data tersebut akurat dan memenuhi kriteria. maka

akandilakukan: Re-sampling
15

untukmemastikangambarmemilikikoordinasi yang tepat, Noise Reduction

untukmemastikantidakadanya noise-noise
16

yangdapatmengakibatkankesalahaninformasi. Contrast Enhancement

untukmemastikangambardapatmenampilkaninformasi yang relevan.

Scale-Space untukmerepresentasikangambar yang memilikiskala yang

sesuai.

• EkstraksiFitur

Setiapgambarmemilikifitur-fiturunik yang

membedakangambartersebutdengangambarlainnya.M eliputi: garis, sisi,

bubung, sudut, gumpal, dantitik. Padafitur yang

lebihkompleksdapatmeliputitekstur, bentuk, dangerakan. Ekstraksi fitur

mengambil semua fitur-fitur unik yang ada pada gambar.

• Decision

M embuat keputusan akhir yang dibutuhkan oleh aplikasi. Contoh:

1) Lulus atau gagal pada aplikasi inspeksi otomatis.

2) Cocok atau tidak cocok pada aplikasi Recognition.

3) Ditandai (Flag) untuk diperiksa lebih lanjut oleh manusia biasanya

pada kedokteran, militer, keamanan, dan aplikasi Recognition.

Selainitu, adapula proses-proses lain yang dapatdilakukanpada proses kerja

Computer Vision yaitu:

• DeteksidanSegmentasi

Padabeberapakasuspemprosesan,

keputusandibuatberdasarkantitikpadagambardandaerahpadagambar yang

relevan yang kemudianakandiproseslebihlanjut.

• Proses High-Level
17

Pada bagian ini, biasanya berisi set data yang kecil. M isalnya satu set

poin atau wilayah gambar yang diasumsikan berisi objek. Lalu proses

diikuti dengan:

1) Verifikasi data agar memenuhi asumsi yang model-based dan aplikasi.

2) Estimasi parameter aplikasi yang terdapat pada objek.

3) Image Recognition: mengklasifikasikan objek yang terdeteksi ke

berbagai kategori.

4) Image Registration : menggabungkan dan membandingkan pandangan

yang ada pada objek yang sama.

2.2.2 Pre-processing

Seperti yang telah dijabarkan di atas, pra-proses diperlukan agar data-

data (gambar) yang diinput akan memenuhi kriteria yang dibutuhkan.

Banyak sekali metode pra-proses yang ada pada computer vision.

Salah satu contoh metode pra-proses yang cukup baik untuk analisis tekstur

mammogram adalah : Wavelet Transform dan NSCT (Non Subsampled

Contourlet Transform).

• WaveletTransform ialah salah satu metode pra-proses dimana diawali

dengan penggunaan operasi integral wavelet pada gambar yang akan

menghasilkan koefisien-koefisien pixel pada gambar yang dilanjutkan

dengan kuantisasidancoding.

• NSCT merupakan salah satu metode pra-proses. NSCT menyempurnakan

teori gaussian dalam langkah-langkahnya. Langkah-langkah yang ada pada

NSCT adalah : menentukan parameter transform,


18

melakukanoperasidekomposisi, menentukanjumlahdirection yang

digunakan, dandilanjutkandengan proses threshold dan edge detect.

2.2.3 Analisis Tekstur

Analisa tekstur merupakan salah satu cabang dari Computer Vision

dimana komputer menganalisa tekstur yang terdapat pada gambar/objek yang

kemudian akan dilakukan proses lebih lanjut tergantung kebutuhan.

Tujuan utama dari analisa tekstur pada Computer Vision adalah untuk

mengekstrak semua informasi yang tersedia pada gambar yang akhirnya akan

mensimulasikan penglihatan manusia kedalam proses komputer.

2.2.4Feature Extraction

Seperti yang telah disinggung di atas, ekstraksi fitur (Feature

Extraction) mengambil fitur-fitur unik pada gambar yang menjadi penentu

dalam klasifikasi dan penentuan kelas dari gambar yang dimasukkan.

M etode-metode ekstraksi fitur sangatlah banyak. Salah satunya adalah

FOS (First Order Statistic), GLCM s (Gray Level Co-occurences Matrices

Features), GLRLM (Gray Level Run Length Matrices Features), dan LTEM

(Law’s Texture Energy Measure) yang memiliki kelebihan dan kekurangan

masing-masing

1. FOS (First Order Statistic), metode dimana dilakukan perhitungan statistik

dari nilai terkecil pada gambar


19

2. GLCMs (Gray Level Co-occurences Matrices Features), merupakan

distribusi nilai-nilai yang muncul pada gambar dan dihitung berdasarkan

nilai offset pada gambar.

3. GLRLM (Gray Level Run Length Matrices Features), metode dimana dari

nilai-nilai grey yang paling sering dan tidak sering muncul pada gambar.

4. LTEM (Law’s Texture Energy Measure), metode penggunaan matriks

konvolusi 3 dimensi atau 5 dimensi yang kemudian diaplikasikan pada

gambar dilanjutkan dengan metode normalisasi.

Proses ekstraksi fitur akan meng-ekstraksi fitur-fitur yang ada pada

gambar setelah melewati salah satu metode di atas. Fitur-fitur yang diekstraksi

bisa berupa skewness, mean, standard deviation, dan lain-lain.

Fitur-fitur tersebut lah yang kemudian akan diuji pada klas ifikasi dan akan

menentukan keakuratan dari keputusan.

2.2.5 Klasifikasi

Klasifikasiataupengenalanpolamerupakanbidangdalampembelajaranm

esindandapatdiartikansebagai "tindakanmengambil data

mentahdanbertindakberdasarkanklasifikasi data".Dengandemikian,

iamerupakanhimpunankaidahbagipelatihan (training) Ada beberapadefinisi

lain tentangpengenalanpola, di antaranya:

• Penentuansuatuobjekfisikataukejadiankedalamsalahsatuataubeberapakateg

ori.
20

• Ilmupengetahuan yang menitikberatkanpadadeskripsidanklasifikasi

(pengenalan) darisuatupengukuran.

• Suatupengenalansecaraotomatissuatubentuk, sifat, keadaan, kondisi,

susunantanpakeikutsertaanmanusiasecaraaktifdalam proses pemutusan.

Berdasarbeberapadefinisi di atas,

pengenalanpolabisadidefinisikansebagaicabangkecerdasan yang menitik-

beratkanpadametodepengklasifikasianobjekkedalamkelas-

kelastertentuuntukmenyelesaikanmasalahtertentu.

Tujuan utama dari klasifikasi adalah melakukan segmentasi dari

gambar yang kemudian akan diproses. Pada skripsi ini, klasifikasi memegang

peranan penting karena klasifikasi-lah yang akan menentukan keputusan akhir

dari suatusistemcerdasanalisistekstur.

Beberapa contoh klasifikasi :

• KNN (K Nearest Neighbour)

KNN merupakan klasifikasi dan penarikan kesimpulan dari data

pelatihan yang telah dilakukan. KNN menggunakan nilai K yaitu

nilai yang menghitung kumpulan-kumpulan data terdekat. Nilai K

besar akan mengurangi efek noise pada klasifikasi tapi membuat

batasan pada data menjadi kabur. Biasanya nilai K yang digunakan

berupa ganjil tergantung juga dengan kebutuhan pembuat dan

jumlah kelas yang ada pada klasifikasi.

• ANN (Artificial Neural Network)


21

Artificial Neural Network atau Jaringan Saraf Tiruan adalah

jaringan dari sekelompok unit proses kecil yang dimodelkan seperti

jaringan saraf pada manusia. secara sederhana, Jaringan saraf tiruan

memodelkan data statistik non-linear yang digunakan untuk

menggambarkan hubungan kompleks antara input dan output untuk

menghasilkan suatu keputusan.

2.3 Kanker Payudara

2.3.1 Definisi

Kanker adalah kondisi dimana sel telah kehilangan fungsi kendali dan

mekanisme normal sehingga akan mengalami pertumbuhan cepat dan tidak

normal. kanker payudara (carcinoma mammae) didefinisikan oleh World

Health Organization (WHO) sebagai penyakit neoplasma ganas yang berasal

dari jaringan payudara. Kanker payudara merupakan penyakit pada manusia

dan mamalia pada umumnya. Biasanya kanker payudara menjangkit wanita

tetapi pria juga dapat terjangkit penyakit ini.

Sel-sel kanker terbentuk dari sel normal yang telah melewati proses-

proses rumit yang biasa disebut dengan transformasi yang terdiri dari 2

tahap yaitu tahap inisiasi dan tahap promosi.

Pada tahap inisiasi, terjadi perubahan sel yang dipengaruhi oleh bahan

genetik sel yang memancing sel menjadi ganas. Perubahan ini biasa

disebabkan oleh karsinogen yang bisa berupa kimia, sinar matahari, radiasi,

atau virus. Tidak semua sel memiliki kepekaan yang sama terhadap
22

karsinogen. Kelainan genetik, faktor keturunan, dan bahkan gangguan fisik

juga bisa menyebabkan sel menjadi rentan terhadap karsinogen. Pada tahap

promosi, sel yang telah melewati tahap inisiasi akan berubah menjadi ganas.

Diperlukan gabungan sel-sel ganas untuk memasuki tahap ini.

Ukuran, tahapan, tingkatan pertumbuhan, dan karakteristik lainnya

menentukan metode perawatan yang dibutuhkan untuk menyembuhkan

kanker payudara. Perawatan yang mungkin dilakukan antara lain operasi,

pengobatan (terapi hormon dan kemoterapi), radiasi, dan imunoterapi.

Biasanya operasi pengangkatan kanker payudara merupakan cara yang

terbaik. Operasi sendiri diklam dapat menyembuhkan banyak kasus kanker

payudara. Terkadang operasi diikuti dengan kemoterapi sebagai tambahan

yang bertujuan untuk membunuh sel-sel yang membelah dengan cepat pada

tubuh yang diikuti dengan rambut rontok dan kesulitan pencernaan untuk

jangka waktu tertentu.

2.3.2 Fakta kanker payudara

Kanker payudara diklaim memiliki persentase 22.9% dari penyakit

kanker yang menjangkit wanita (tidak termasuk non-melanoma kanker kulit).

Pada tahun 2008, kanker payudara menyebabkan kematian pada 458.503

wanita diseluruh dunia (13.7% kematian akibat kanker pada wanita).

breastcancer.org mengklaim pada tahun 2011 terjadi sekitar 230.480

kasus baru kanker payudara ganas yang menjangkit wanita di amerika dan
23

sekitar 57.650 kasus baru kanker payudara yang belum termasuk ganas di

amerika. Di amerika juga, pada tahun 2011 sekitar 39.520 wanita meninggal

karena kanker payudara walaupun angka kematian tersebut terus menurun

sejak tahun 1990. Penurunan tersebut dikarenakan sistem pengobatan yang

sudah maju, deteksi awal, dan penyuluhan untuk meningkatkan

kewaspadaan.

Kanker payudara dapat menjangkit tidak hanya wanita namun juga

pada laki-laki. Laki-laki memiliki persentase yang rendah untuk terjangkit

penyakit ini. Amerika telah membuat organisasi kanker payudara. Di

indonesia sendiri, sudah ada yayasan kanker payudara yaitu Yayasan

Kesehatan Payudara Jakarta (YKPJ) yang dinaungi oleh Yayasan Kanker

Indonesia (YKI). YKI memiliki moto bahwa kanker dapat disembuhkan jika

dideteksi dari dini.

2.3.3 Gejala kanker payudara

Berikut adalah gejala tanda kanker payudara:

• Benjolan pada payudara anda berubah bentuk / ukuran.

• Kulit payudara berubah warna: dari merah muda menjadi coklat hingga

seperti kulit jeruk.

• Puting susu masuk ke dalam (retraksi).

• Salah satu puting susu tiba-tiba lepas / hilang.

• Bila tumor sudah besar, muncul rasa sakit yang hilang-timbul.

• Kulit payudara terasa seperti terbakar


24

• Payudara mengeluarkan darah atau cairan yang lain, padahal sedang tidak

menyusui.

Gambar 2.2 gejala pada payudara

Tanda kanker payudara yang paling jelas adalah adanya borok (ulkus)

pada payudara. Seiring dengan berjalannya waktu, borok ini akan menjadi

semakin besar dan mendalam sehingga dapat menghancurkan seluruh

payudara. Gejala lainnya adalah payudara sering berbau busuk dan mudah

berdarah.
25

2.4 Mammografi

2.4.1 Definisi

M ammografi adalah proses penggunaan sinar x lemah untuk

memeriksa payudara manusia yang akan digunakan untuk diagnosa. Tujuan

utama dari mammografi adalah untuk deteksi awal terjangkit atau tidaknya

kanker payudara.

Saat ini, mammografi merupakan cara terbaik untuk deteksi awal

kanker payudara. M ammografi memiliki rasio false-negative sekitar 10%

dimungkinkan karena adanya jaringan tebal yang menyelimuti payudara dan

perbedaan jaringan yang terdapat pada mammogram dibandingkan dengan

keadaan aslinya. M ammogram dianggap memiliki tingkat keakuratan 85%-

90%.

Foto hasi mammografi disebut dengan mammogram yang akan

dijelaskan di bagian-bagian berikut.

Bahkan pada tanggal 1 maret 2010, hampir 62% fasilitas di Amerika

memiliki 1 unit FFDM . Untuk meningkatkan penggunaan mammogram untuk

mendeteksi penyakit kanker payudara, beberapa rumah sakit, organisasi

kanker, dan yayasan kesehatan lain menyediakan van khusus untuk

memobilisasi mammogram dengan tujuan agar lebih terjangkau dan lebih

mudah diakses oleh khalayak. M ereka juga menyediakan layanan

mammogram yang murah bahkan gratis disertai konsultasi dokter untuk

mereka yang ingin melakukan pengecekan payudara dengan menggunakan

mammografi.
26

2.4.2 Prosedur mammografi

Saat proser mammografi, payudara dikompres menggunakan mesin

mammogram. Pelat sejajar mengkompres payudara untuk memastikan

jaringan payudara tidak terlalu tebal untuk meningkatkan kualitas pada

gambar, agar sinar x-ray tidak kesulitan untuk menembus jaringan payudara

yang tebal, mengurangi pemencaran sinar radiasi, mengurangi dosis radiasi,

dan menahan payudara tidak tergoyang agar gambar yang dihasilkan tidak

blur/kabur.

Gambar 2.3 Proses M ammografi

Pada beberapa tahun yang lalu, hasil scan mammografi disimpan

dalam bentuk kaset. Tetapi sekarang ini, mammografi telah disimpan dalam

bentuk digital yang disebut dengan digital mammografi atau Full Field Digital

M ammografi (FFDM ). FFDM pertama kali diresmikan oleh FDA di Amerika


27 

pada tahun 2000. Keuntungan dari FFDM adalah untuk meningkatkan

permintaan resolusi yang lebih besar pada mammogram dan FDA juga

mengklaim bahwa digital mammogram lebih memiliki hasil yang lebih baik

ketimbang mammografi lawas.

Contoh-contoh hasil mammografi:

Gambar 2.4 (kiri) normal vs (kanan) terjangkit kanker

Gambar 2.5 contohgambarhasil mammografi


28

2.4.3 Resiko

Disamping keuntungan yang didapat dari mammografi. M ammografi

juga memiliki resiko-resiko antara lain:

1. False-Positive

False-positive merupakan kondisi dimana dokter mendiagnosa pasien

terkena kanker payudara berdasarkan hasil analisa mammogram padahal

pasien tersebut tidak terkena/terjangkit penyakit kanker payudara oleh

karena itu disebut false (kesalahan) positive (terjangkit).

Kondisi ini dikarenakan oleh kesalahan analisa dokter atau mungkin

kesalahan pada prosedur mammogram. Kondisi ini juga menyebabkan

pasien harus menjalani beberapa perawatan dan pengecekan-pengecekan

ulang yang seharusnya tidak perlu. Tentu saja pasien harus mengeluarkan

uang lebih banyak dikarenakan kondisi ini.

Kira-kira sekitar 7% hasil scan mammogram didiagnosa sebagai false-

positive

2. False-Negative

Selain false-positive tentu saja ada false-negative. Sesuai namanya, false-

negative merupakan kebalikan dari false-positive yaitu kondisi dimana

pasien didiagnosa tidak terjangkit dan bersih dari kanker payudara padahal

kenyataannya tidak begitu. Hal ini juga bisa disebabkan kesalahan saat

proses mammografi, hasil mammogram yang kurang jelas, dan diagnosa

dokter yang salah.


29 

Pasien akan merasa aman dan tenang karena didiagnosa bersih dari

kanker payudara namun, kanker tersebut akan berkembang lebih jauh

sehingga akan ketahuan saat kanker tersebut telah mencapai stadium

tertentu atau sudah bahaya.

Selain itu, masih ada resiko lain dari mammografi yaitu kemungkinan

radiasi pada saat proses mammografi yang malahan dianggap mampu

menstimulasi sel kanker. Radiasi ini masih menjadi pro dan kontra para

ilmuwan dikarenakan tidak ada data pasti pasien bisa terkena radiasi yang

memicu kanker payudara. adapula kemungkinan resiko dari kompresi

payudara saat mammografi dilakukan. Karena payudara yang ditekan dapat

menyebabkan sel kanker untuk menyebar.

Disamping semua resiko yang mungkin terjadi, mammografi tetaplah

menjadi cara terbaik untuk mendeteksi gejala awal kanker payudara sehingga

dapat dilakukan perawatan lebih cepat sebelum kanker tersebut sudah

semakin ganas dan sulit dijinakkan.

2.4.4 Kalsifikasi

Kalsifikasi merupakan salah satu kondisi yang bisa terdapat dari

mammogram. Kalsifikasi adalah kalsium yang menggumpal/mengumpul pada

jaringan payudara. Tidak semua kalsifikasi merupakan kanker payudara

namun kalsifikasi merupakan tanda-tanda awal terjangkitnya kanker payudara.

Kalsifikasi dibagi 2 yaitu: kalsifikasi mikro dan kalsifikasi makro.


30

Kalsifikasi mikro merupakan kalsifikasi kecil yang terjadi pada

payudara. biasanya berbentuk titik/garis dan sangat kecil. Rata-rata kalsifikasi

mikro memiliki ukuran sekitar 0.3mm.

Gambar 2.6 Contoh kalsifikasi mikro pada mammogram

Sesuai namanya, kalsifikasi makro merupakan kalsifikasi yang

besar. Kalsifikasi makro juga tidak menjamin seseorang terjangkit kanker

payudara atau tidak. Tetapi orang yang terjangkit kalsifikasi makro biasanya

lebih rentan terkena kanker payudara. kalsifikasi makro biasanya diderita oleh

wanita yang berusia 50 tahun ke atas.


31

Gambar 2.7 contoh kalsifikasi makro pada mammogram.

Penyebab kalsifikasi bermacam-macam biasanya diakibatkan oleh

infeksi, luka, dan lain-lain oleh karena itu kalsifikasi belum tentu adalah

kanker payudara namun memiliki peluang terjangkit kanker payudara.