Pendeteksian Kanker Paru-Paru Dengan Menggunakan T
Pendeteksian Kanker Paru-Paru Dengan Menggunakan T
net/publication/266179742
CITATION READS
1 2,210
3 authors, including:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Achmad Rizal on 23 January 2015.
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.
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.
ψ s ,τ (t ) = 2 2 ψ (2 j t − τ ); j , k ∈ Z
LDA merupakan metode class-specific linear j
(2)
yang dapat melakukan transformasi pereduksian
dimensi dimana elemen-elemen yang merupakan Variabel-variabel j dan k adalah integer yang
anggota sebuah kelas akan dikelompokkan bersama menskalakan dan menggeser fungsi mother wavelet
di dalam ruang dimensi rendah. Selain itu LDA juga untuk menghasilkan jenis-jenis wavelet seperti Haar
berfungsi untuk memaksimalkan diskriminasi antar wavelet. Lebar wavelet ditunjukkan oleh skala s dan
kelas dan meminimalkan persebaran dalam kelas posisinya ditunjukkan oleh τ. Transformasi wavelet
[1,4]. diskrit bertujuan untuk mengurangi redudansi yang
terjadi pada transformasi kontinu dengan cara
2. TINJAUAN PUSTAKA mengambil nilai diskrit dari parameter s dan τ.
2.1 Transformasi Wavelet Fungsi wavelet pada persamaan (1) pertama
Secara umum yang dimaksud dengan kali dikenalkan oleh Grossman dan Morlet,
Transformasi Wavelet adalah dekomposisi dari suatu sedangkan persamaan (2) oleh Daubechies. Pada
sinyal dengan suatu fungsi Ψs,τ(t) yang telah fungsi Grossman-Morlet, s merupakan parameter
terdilatasi dan tertranslasi yang disebut sebagai dilatasi dan τ merupakan parameter translasi.
mother wavelet. Dengan kata lain sinyal tersebut Sedangkan pada fungsi Daubechies, parameter
direpresentasikan sebagai jumlah dari kumpulan dilatasi diberikan oleh 2 j dan parameter translasi
dilated-version dan translated-vesion fungsi induk oleh τ. Kedua fungsi Ψ dapat dipandang sebagai
wavelet. Kumpulan fungsi-fungsi tersebut mother wavelet, dan harus memenuhi kondisi [4]:
+∞
didefinisikan pada persamaan berikut :
∫ψ (x )dx = 0
−∞
(3)
⎛ t −τ ⎞
1
ψ s ,τ (t ) =
ψ⎜ ⎟ (1)
s ⎝ s ⎠ 2.2 Transformasi Wavelet pada Citra
Dimana s merupakan parameter dilatasi (s є
real) dan τ merupakan parameter translasi (b є real). Pada pengolahan citra menggunakan
Parameter s menunjukkan lebar dari kurva wavelet, Transformasi Wavelet dua dimensi. Hal tersebut
sehingga apabila nilai s diperbesar akan semakin dikarenakan citra merupakan bentuk sinyal dalam
lebarlah kurva wavelet dan apabila nilai s diperkecil ruang dimensi dua. Di dalam proses dekomposisinya,
maka kurva wavelet akan semakin kecil. Sedangkan Transformasi Wavelet diskrit dua dimensi dilakukan
parameter τ menunjukkan lokalisasi dari kurva dengan memproses baris dan kolom secara terpisah,
wavelet yang terpusat pada ruang t= τ. Untuk data- yang dapat digambarkan. sebagai berikut:
data diskrit seperti citra, diperlukan Transformasi
Wavelet Diskrit (DWT), sehingga persamaan (1)
menjadi :
..
Baris Kolom
L’ 1 cAj+1
2
L 2
1
H’ 1 cA (h) j+1 horizontal
2
H’ 1 cA(d)j+1diagonal
2
dimana :
cAj = Citra input
= Downsampling kolom,
2 1
menyimpan kolom berindeks genap
1 2
= Downsampling baris, menyimpan baris berindeks genap
i =1
c
3.2 Klasifikasi Penyakit Pada Paru - paru
SW = ∑ ∑ ( y k − µ i )( y k − µ i )T (6) Pada penelitian ini citra paru-paru akan
i =1 yk∈ yi diklasifikasikan ke tiga kondisi, yakni kondisi
dimana : normal, kanker, dan efusi yang dibedakan
1 Ni berdasarkan warna pada paru-paru. Paru-paru normal
µi = ∑ Yk
N i k =1
(7)
akan tampak hitam dan tidak terdapat adanya flek
putih yang menutupi paru-paru. Paru-paru yang
dimana SB merupakan sebaran antar kelas dan Sw
terkena kanker akan terlihat adanya flek-flek putih
merupakan sebaran dalam kelas. Dari rumus di atas
yang menutupi paru-paru. Sedangkan untuk efusi
Ni adalah jumlah vektor latih pada kelas i (Ci), µ
warna putih yang menutupi paru-paru lebih rapat dan
didefinisikan sebagai mean global, µi adalah vektor
dominan.
rata-rata dari kelas i (Ci), dan yk merupakan vektor-
vektor yang berasosiasi dengan kelas i. Dengan
3.3 Pengolahan Citra Pada Citra Latih
menghitung SB maka akan diketahui jarak atau
Citra latih yang akan digunakan pada
pemisah antara vektor rata-rata setiap kelas dengan
Penelitian ini merupakan citra hasil rontgen paru-
mean global, sedangkan Sw akan mengukur jarak atau
paru bagian depan. Citra latih pada Penelitian ini
pemisah antara vektor-vektor ciri dengan vektor rata-
menggunakan format .*bmp. Citra latih pada
rata dari kelas masing-masing.
Penelitian ini nantinya akan disimpan sebagai basis
Setelah didapatkan matriks SB dan Sw kemudian
data.
LDA akan mencari proyeksi yang optimal pada
kondisi dimana rasio antara matriks sebaran antar
3.4 Pemrosesan Awal
kelas (SB) dari sampel yang diproyeksikan dengan
Pemrosesan awal atau disebut juga dengan pre-
matriks sebaran dalam kelas (Sw) dari sampel yang
processing merupakan sebuah proses awal yang
diproyeksikan, yang dirumuskan sebagai berikut:
dilakukan untuk mengambil ciri atau karakteristik
WTS W pada suatu citra digital sebelum dilakukan
Wopt = arg mak T B
W SW W pemrosesan citra selanjutnya
Mulai
Convert to Filter
Citra paru
BW median
Citra
Uji
Proses
Mulai berikutnya
Pemrosesan Resize Cropping BW Label
Awal
Citra
Latih
Gambar-4. Blok diagram pemrosesan awal citra paru -
paru
Ekstraksi Ciri
dengan
Pemrosesan Citra Transformasi 3.6 Menghilangkan Noise kecil dengan Median
Awal Latih Wavelet Filter
Setelah citra dikonversi ke dalam bentuk
Black and White, citra hasil Black and White
Pengenalan memiliki noise yang nantinya akan berpengaruh
Klasifikasi dalam proses pengolahan selanjutnya. Oleh karena
Ekstraksi Ciri menggunakan
dengan itu, untuk menghilangkan noise-noise kecil yang ada
LDA
Transformasi pada citra Black and White, dilakukan proses median
Wavelet filter. Median filter merupakan salah satu teknik
peningkatan kualitas citra dalam domain spasial.
Metode ini termasuk dalam metode non linear
Kondisi filtering
Pada Paru -
Hasil
Paru
3.7 Membuang Objek Kecil dengan BW
Labelling
Pada sistem ini, informasi penting yang harus
(a) (b) diambil adalah informasi tentang paru - paru.
Gambar-2. Proses pendeteksian kanker pada paru- Sehingga paru – paru, tangan, leher, dan beberapa
paru(a) Diagram alir proses pelatihan (b) Diagram alir informasi lain akan disebut sebagai objek. Pada
proses pengujian
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.
3.10 Ekstraksi Ciri dengan Transformasi LDA dalam mengklasifikasikan kondisi citra latih
Wavelet yang diujikan dengan citra latih yang sebelumnya
Pada penelitian ini menggunakan transformasi sudah disimpan dalam basis data.
wavelet pada frekuensi tinggi yaitu transformasi Haar
wavelet. Alasan menggunakan Haar wavelet karena 3.14 Proses Pengujian Citra Uji
Haar wavelet merupakan metode yang lebih bagus Citra uji yang digunakan dalam penelitian ini
digunakan untuk merepresentasikan ciri tekstur dan berjumlah 20 untuk masing – masing kondisi paru –
bentuk. Disamping itu Haar wavelet memerlukan paru. Vektor masukan dari citra uji ini berukuran
waktu komputasi yang lebih kecil dari pada 1x12 yang merupakan hasil dari ekstraksi ciri untuk
transformasi wavelet lainnya. masing – masing kondisi citra. Pada proses pengujian
Ciri diperoleh dari citra yang telah melewati ini vektor citra uji yang menjadi input dalam sistem
proses dekomposisi. Masing-masing kondisi paru- ini akan diuji dengan citra latih yang sudah disimpan
paru untuk normal, kanker, dan efusi akan dalam basis data. Keluaran dari proses ini akan
didekomposisi menjadi empat subbands, yaitu LL, mengenali kondisi paru-parudari citra uji yang berupa
LH, HL, dan HH. Dari keempat subbands tersebut kanker, normal, atau efusi.,
yang akan digunakan pada proses selanjutnya adalah
citra aproksimasi atau citra pada subband LL(Low- 3.15 Pengujian Sistem
Low), karena informasi citra sebagian besar terdapat Untuk pengujian sistem digunakan parameter
pada subband ini. akurasi dan error. Akurasi adalah ukuran ketepatan
sistem dalam mengenali input yang diberikan
3.11 Pengolahan Citra pada Citra Uji sehingga menghasilkan keluaran yang benar. Secara
Citra yang menjadi citra uji yaitu citra paru- sistematis dapat dituliskan sebagai berikut :
parudalam format *.bmp. Sejumlah citra uji akan
diproses sama halnya seperti pada pengolahan citra Akurasi =
Jumlah _ data _ benar
×100%
pada citra latih. Setelah proses ekstraksi ciri, citra uji Jumlah _ data _ keseluruhan
dan citra latih akan dilatih menggunakan LDA dan
selanjutnya citra uji akan diklasifikasikan Error adalah tingkat kesalahan sistem dalam
berdasarkan kondisi citra. mengenali input yang diberikan terhadap jumlah data
secara keseluruhan. Secara sistematis dapat dituliskan
3.12 Linear Discriminant Analysis (LDA) sebagai berikut:
Proses klasifikasi ciri pada Penelitian ini
digunakan LDA. Linear diskriminant analisis Jumlah _ data _ salah
berfungsi untuk memetakan matriks ke dalam Error = × 100%
Jumlah _ data _ keseluruhan
dimensi yang lebih rendah. Selain itu LDA juga
berfungsi untuk meminimalisasi jarak antar ciri 4. ANALISIS HASIL SIMULASI
dalam kelas dan memaksimalkan jarak antar ciri
antara kelas yang berbeda. LDA mempunyai Pada bagian ini akan dijelaskan mengenai hasil
kekurangan yaitu masalah singularitas pada matriks penelitian yang berupa simulasi pengolahan citra
Sw. Hal ini dapat terjadi bila jumlah baris pada beserta pembahasannya. Berikut urutan proses
matriks ansambel vektor ciri lebih besar dari pada pengujian yang dilakukan pada penelitian ini yang
jumlah kolomnya. Oleh karena itu sebelum masuk ke ditunjukkan oleh Gambar-5.
dalam proses klasifikasi oleh LDA, diperlukan
pereduksian dimensi citra menggunakan transformasi 4.1 Citra Masukan
wavelet. Pada penelitian ini citra masukan berupa citra
Tahap terakhir dari klasifikasi menggunakan paru-parutampak bagian depan, yang terdiri dari 60
LDA ini adalah memproyeksikan setiap vektor ciri citra latih sebagai basis data dan 60 citra uji dengan
citra latih ke dalam ruang fisher. Sehingga ukuran atau dimensi yang berbeda-beda.
diperolehlah vektor ciri citra latih terproyeksi. Vektor
inilah yang nantinya akan diukur kemiripannya 4.2 Konversi Citra ke Citra Black and White
dengan vektor ciri dari citra uji. Proses pengkonversian ke citra Black and
White ini artinya mengubah nilai setiap piksel suatu
3.13 Proses Pengujian Citra Latih citra dengan memperhatikan acuan nilai threshold.
Citra latih yang digunakan dalan penelitian ini Dalam penelitian ini menggunakan acuan nilai
berjumlah 20 citra untuk masing – masing kondisi threshold 200 dengan sintaks di programnya :
citra, sehingga total citra latih berjumlah 60 citra ”citraBW = inputan > 200”, artinya jika ada
latih. Vektor masukan proses pelatihan ini berukuran
nilai piksel suatu citra yang kurang dari 200 akan
60x12 yang merupakan vektor hasil dari proses
diubah nilainya ke ‘0’, sedangkan jika nilai piksel
ekstraksi ciri yang berukuran 1x12 untuk setiap ciri.
yang lebih dari 200 maka akan diubah nilainya ke
Proses ini digunakan untuk mengetahui kecocokan
‘1’.
4.5.2 Pemotongan pada masing – masing sisi menjadi masukan pada proses pengolahan
suatu citra selanjutnya.
Setelah dilakukan penjumlahan nilai piksel –
piksel suatu citra baik penjumlahan ke kanan maupun 4.8 Linear Discriminant Analysis (LDA)
ke bawah, selanjutnya akan dilakukan pemotongan Proses selanjutnya setelah dilakukan ekstraksi
citra pada masing-masing sisinya. Sisi-sisi yang akan ciri adalah proses pengenalan kondisi paru dengan
dipotong adalah sisi atas, bawah, samping kanan, dan menggunakan LDA. Vektor ciri yang menjadi
samping kiri. Proses ini bertujuan untuk mencari masukan ke dalam LDA ini berukuran 1 x 12. Citra
piksel yang terdapat nilai maksimum/ minimum dari latih adalah citra paru-paru yang vektor cirinya
hasil penjumlahan nilai piksel secara baris maupun dilatihkan pada LDA dan hasil pelatihannya disimpan
kolom. Dari hasil plot penjumlahan nilai piksel, akan sebagai basis data. Citra latih yang digunakan terdiri
ditunjukkan nilai maksimum/ minimum yang dari 60 citra paru -paru, yang masing-masing kondisi
nantinya bagian itulah yang harus dipotong. paru-paruterdiri dari 20 citra. Dari 60 citra latih
Untuk mendapatkan hasil pemotongan yang tersebut akan diproses hingga menjadi vektor ciri
lebih akurat, maka piksel yang memiliki nilai yang berukuran 1 x 12 untuk masing-masing citra,
maksimum/minimum pada pemotongan bagian atas, sehingga jumlah vektor ciri citra latih ada 60 buah.
bawah, samping kanan, dan samping kiri tersebut Dari keenam puluh vektor ciri tersebut akan dijadikan
dikurangkan atau dijumlahkan dengan faktor koreksi dalam sebuah matriks training yang berukuran 60 x
tergantung kondisinya. 12. Selanjutnya dibuat tiga buah matriks target sesuai
dengan jumlah kelas. Matriks target ini berukuran 20
4.6 Pengubahan dimensi citra x 1 untuk masing-masing kelas. Setiap matriks target
Setelah dilakukan proses pemotongan citra, terdiri dari matriks ‘1’ sebagai kondisi kanker,
ukuran atau dimensi citra hasil dari proses matriks ‘2’ sebagai kondisi normal, dan matriks ‘3’
pemotongan berbeda-beda. Untuk menyamakan sebagai kondisi efusi. Dari ketiga matriks target
dimensi semua citra paru-paru setelah melewati tersebut juga akan dijadikan ke dalam sebuah matriks
proses pemotongan, dimensi citra akan diatur target total yang berukuran 60 x 1.
menjadi 640 x 480 piksel. Pada saat akan menguji citra latih, citra latih
masukan akan diproses sehingga menjadi matriks
4.7 Ekstraksi Ciri dengan Transformasi sampel berupa sebuah vektor ciri yang berukuran 1 x
Wavelet 12. Vektor ciri citra latih tersebut akan diuji ke dalam
Proses ekstraksi ciri bertujuan untuk mendapatkan LDA untuk dikenali sebagai kondisi paru-paru. Citra
informasi-informasi penting dari citra paru-paru. uji terdiri dari 60 citra paru-paru, sama halnya dengan
Pada penelitian ini teknik ekstraksi ciri-nya citra latih. Citra uji akan diujikan ke dalam LDA
menggunakan transformasi haar wavelet. Citra yang untuk dibandingkan dengan hasil pelatihan citra yang
menjadi masukan pada proses transformasi wavelet sudah disimpan. Apabila hasil pengenalan mendekati
ini adalah citra yang sudah dipotong/dibuang bagian citra latih, maka kondisi citra uji tersebut akan
yang tidak dibutuhkan dalam penelitian ini. dikenali seperti kondisi citra latih.
Transformasi wavelet yang digunakan adalah
transformasi wavelet diskret dua dimensi (dwt2) level 4.9 Pengujian Pengenalan Citra Latih dan
satu. Citra yang masuk pada proses ini akan Citra Uji
didekomposisi menjadi empat subband atau frekuensi Citra latih merupakan sekumpulan citra paru-
yang terdiri dari subband LL (Low-Low), LH(Low- paruyang digunakan dalam proses pelatihan (training)
High), HL(High-Low), dan HH(High-High). Citra pada LDA. Sedangkan citra uji adalah citra yang
masukan ke dalam proses ini berukuran 640 x 480, diujikan pada LDA untuk dilakukan suatu
setelah keluar dari proses transformasi wavelet ini pengenalan. Sebelum dilakukan pengujian citra uji,
ukuran masing – masing citra hasil dekomposisi terlebih dahulu dilakukan proses pengujian citra latih.
menjadi 320 x 240. Citra yang akan diambil untuk Proses pengujian ini dilakukan untuk memperkuat
dilakukan proses selanjutnya adalah citra aproksimasi hipotesis kalau LDA bisa mengenali citra uji sesuai
(cA) pada subband LL karena seluruh informasi citra dengan citra latih yang sudah dilatihkan pada LDA
terdapat pada subband LL ini. Karena dirasa dimensi dan disimpan dalam basis data. Pada proses
citra aproksimasi yang masih besar, maka dilakukan pengujian ini, matriks sampel baik vektor ciri citra
downsampling kembali dengan besar skala latih maupun vektor ciri citra uji yang berukuran 1 x
downsampling (nsample) sebesar 100. Sehingga citra 12 tersebut akan dibandingkan dengan matriks
aproksimasi yang akan menjadi masukan pada proses training yang sudah dilatihkan. Matriks sampel yang
pengolahan selanjutnya memiliki dimensi 3 x 4 hasil pengelompokkannya mendekati vektor ciri citra
piksel. Matriks dari citra ini akan diubah menjadi latih, maka kondisi citra sampel tersebut akan
sebuah vektor ciri yang berukuran 1 x 12 piksel. dikenali seperti kondisi vektor ciri citra latih tersebut.
Vektor ciri yang berukuran 1 x 12 inilah yang akan Setelah dilakukan pengujian terhadap citra latih, akan
dilakukan pengujian terhadap citra uji. Dari hasil
pengujian dengan menggunakan 1 vektor ciri secara adanya ciri dari suatu citra yang menghasilkan nilai
bergantian, diperoleh bahwa LDA mampu mengenali yang belum optimal. Inilah yang akan menyebabkan
citra paru-paru sesuai kondisinya dengan persentase kemungkinan terjadinya kesalahan dalam
keakuratan 100% untuk citra latih dan 95% untuk pendeteksian kondisi paru – paru.
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.
Terdeteksi sebagai
Citra Tingkat Tingka Jml
Latih Kan Nor Akurasi t Error Citra
Efusi
ker mal
Kan
20 0 0 100% 0% 20
ker
Nor Gambar-8. Nilai rata-rata vektor ciri citra untuk setiap
0 20 0 100% 0% 20
mal kondisi paru-paru
Efusi 0 0 20 100% 0% 20
Rata – rata persentase Total 5. KESIMPULAN DAN SARAN
100% 0%
keseluruhan = 60 5.1 Kesimpulan
Tabel -2. Hasil Pengenalan Citra Uji Pada penelitian dalam tugas akhir ini, mulai
dari tahap perancangan hingga pengujian yang
Terdeteksi sebagai dilakukan pada sistem pengolahan citra untuk
Citr Tingkat Tingkat Jml mendeteksi kanker paru-paru, bisa diambil
a Uji Kan Nor Akurasi Error Citra
Efusi kesimpulan sebagai berikut :
ker mal
Kan
19 0 1 95% 5% 20
1. Rancangan sistem pengenalan kondisi paru-paru
ker menggunakan Transformasi Wavelet dan
Nor
1 19 0 95% 5% 20 Metode Linear Discriminant Analysis (LDA)
mal
Efus bekerja dengan baik walaupun terjadi beberapa
1 0 19 95% 5% 20 kesalahan dalam pengenalan.
i
Rata – rata persentase 95% 5%
Total 2. Pengenalan citra paru-paru dengan
= 60 menggunakan Linear Discriminant Analysis
menghasilkan tingkat keakurasian sebesar 95%.
Dari Tabel 2 di atas, diperoleh rata-rata tingkat 3. Teknik ekstraksi ciri yang digunakan adalah
akurasi sebesar 95% atau tingkat error 5%. Ini dapat transformasi wavelet dua dimensi level satu dan
disimpulkan bahwa sistem sudah bekerja dengan baik ditambah proses downsampling secara baris
dalam melakukan pengenalan kondisi paru-paru. dan kolom.
Dari 20 vektor ciri citra uji untuk masing – 4. Dengan melihat perbandingan performansi
masing kondisi paru - paru akan dibuat ke dalam sistem secara keseluruhan, hasil pengujian
grafik untuk mengetahui perbedaan vektor ciri citra terhadap citra latih menggunakan LDA
uji untuk setiap kondisi. Nilai yang diambil memiliki performansi yang lebih bagus dari
merupakan nilai rata-rata dari 20 vektor ciri untuk penelitian sebelumnya.
masing – masing kondisi paru -paru, yang bisa dilihat 5.2 Saran
pada lampiran. Pengembangan yang dapat dilakukan pada
Dari nilai rata-rata vektor ciri citra untuk penelitian ini antara lain :
setiap kondisi paru-paru, akan dibuat grafik seperti 1. Jumlah citra latih yang digunakan lebih banyak
pada Gambar 8 berikut. agar diperoleh performansi yang semakin baik
Pada Gambar 8 tersebut bisa diamati bahwa dalam mengenali kondisi paru-paru.
intensitas rata-rata vektor ciri dari masing-masing 2. Pemrosesan awal yang tepat agar semua citra
kondisi paru-paru berbeda-beda. Nilai rata-rata memiliki kondisi yang hampir sama sehingga
vektor ciri untuk citra paru-paruefusi adalah yang akan lebih memudahkan dalam proses
paling besar. Kemudian diikuti nilai rata-rata vektor pengolahan citra.
ciri citra paru-parukanker. Sedangkan citra paru-
parunormal memiliki nilai rata - rata vektor ciri yang 6. DAFTAR PUSTAKA
paling kecil. Dari Gambar 8 di atas bisa diamati
bahwa setiap kondisi citra belum menghasilkan nilai [1] Carolina, Ribka. “Pendeteksian Kanker Paru-
vektor ciri yang optimal. Ini disebabkan karena parudengan menggunakan Principal