ABSTRACT
Breast cancer is one of the cancers that has the highest number of deaths. In Indonesia, according
to the Ministry of Health, breast cancer accounts for 16% of all types of cancer affecting women
and 22.9% of invasive cancers in women. Ultrasonography is used as a tool to take images of
tumors or cancer, but the resulting images or images still have noise. Image processing can be
used to improve the quality of images and image segmentation is used to separate an object from
other objects in an image into objects based on certain characteristics. Limited Adaptive
Histogram Equalization (CLAHE) method and Contrast Stretching is used to improve image
quality, for image segmentation using Active Contour method. And to validate the segmentation
results using Receiver Operating Characteristic (ROC) method. Tests using 20 ultrasound images
of breast cancer which are divided into benign cancer and malignant cancer, the results of
segmentation in benign cancer produce an accuracy of 92.35%, a sensitivity of 80.5% and a
specificity of 93.41% and in malignant cancer it produces an accuracy of 73.9%, a sensitivity of
57.83% and specificity 73.49%. This research uses the MATLAB application (R2015a).
ABSTRAK
Kanker payudara merupakan salah satu kanker yang memiliki jumlah kasus kematian
terbanyak. Di Indonesia sendiri menurut Kementerian Kesehatan kanker payudara
menyumbang sebesar 16% dari semua jenis kanker yang menyerang wanita dan 22,9%
dari kanker invasive pada wanita. Ultrasonography digunakan sebagai alat untuk
mengambil gambar tumor atau kanker, namun gambar atau citra yang dihasilkan masih
memiliki derau. Pengolahan citra dapat digunakan untuk melakukan perbaikan kualitas
citra dan segmentasi citra digunakan untuk memisahkan suatu objek dengan objek lain
yang ada di suatu citra menjadi objek-objek berdasarkan karakteristik tertentu. Untuk
melakukan perbaikan kualitas citra dapat menggunakan metode Contras Limited Adaptive
Histogram Equalization (CLAHE) dan Peregangan Kontras, untuk segmentasi citra
menggunakan metode Active Contour. Dan untuk melakukan validasi pada hasil
segmentasi menggunakan metode perhitungan Receiver Operating Characteristic (ROC).
Pengujian menggunakan 20 citra usg kanker payudara yang terbagi menjadi kanker jenis
benign dan kanker jenis malignant, hasil segmentasi pada kanker benign menghasilkan
akurasi 92,35%, sensitifitas 80,5% dan spesifisitas 93,41% dan pada kanker malignant
menghasilkan akurasi 73,9%, sensitifitas 57,83% dan spesifisitas 73,49%. Penelitain ini
menggunakan aplikasi MATLAB (R2015a).
2. METODE PENELITIAN
Tahapan-tahapan yang dilakukan pada penelitian ini adalah proses preprocessing citra
selanjutnya akan di lakukan proses segmentasi citra dengan metode Active Contour, hasil
segmentasi kemudian disimpan dan tahap terakhir proses validasi ROC untuk mendapatkan nilai
akurasi, sensitifitas dan spesifisitas dari hasil segmentasi. Adapun diagram dari penelitian ini
adalah sebagai berikut (gambar 1):
Gambar 1. Diagram Penelitian
2.1. Preprocessing
Preprocessing adalah proses peningkatan kualitas citra usg kanker payudara yang dimana
masih terdapat derau (noise) pada citra. Pada penelitian ini preprocessing memiliki beberapa sub-
proses yaitu:
a. Grayscale
b. Contras Limited Adaptive Histogram Equalization (CLAHE)
c. Peregangan Kontras
2.2. Grayscale
Grayscale adalah proses dimana merubah data citra yang digunakan sebelumnya merupakan
citra RGB menjadi citra yang memiliki warna ke abu-abuan. Citra memiliki ukuran N x M piksel
dimana setiap piksel memiliki intensitas yang beragam yang di representasikan dengan numerik
dalam bentuk matriks N_baris dan M_kolom. Setiap citra rgb memiliki 3 warna maka matriks citra
rgb ditulis (N x M x 3). Citra berwarna abu-abu yang dihasilkan akan memiliki nilai 0 – 255.
Dengan melakukan pengalian terhadap masing-masing komponen R, G, dan B dengan
menggunakan persamaa sebagai berikut:
Ci . ( 2k −1 )
K 0=round (
w.h )
(3)
dimana
Ci = distribusi kumulatif dari nilai skala keabuan ke-i dari citra
round = merupakan fungsi pembulatan ke bilangan terdekat
Ko = nilai keabuan hasil histogram equalization
w = lebar citra
h = tinggi citra
X ( n 1, n 2 )− Xmin
Y ( n 1, n 2 )=255.
Xmax −Xmin
(4)
Dimana :
(n1, n2) = posisi nilai intensitas warna pada matriks
Y = Nilai intensitas warna baru
X = Nilai intensitas warna lama
Xmax = Nilai intensitas warna tertinggi pada citra sebelumnya
Xmin = Nilai intensitas warna terendah pada citra sebelumnya
(a) (b)
Gambar 3. Perbedaan Citra Segmentasi Manual dengan Hasil Citra Segmentasi Program [7]
Benign 9
2
Benign 10
Malignant 26
2
Malignant 28
Tabel 5. Hasil Rata-Rata Perhitungan Hasil Segmentasi Metode Active Contour Citra USG
Kanker Payudara Menggunakan ROC
3.3. Implikasi
Pada penelitian ini terdapat 20 citra kanker payudara yang dijadikan data penelitian, terdiri
dari 10 citra kanker payudara jenis jinak dan 10 citra kanker payudara jenis ganas. Dapat dilihat
pada tabel 1 jenis kanker payudara jinak memiliki karakteristik garis tepi yang tegas dan pada tabel
2 jenis kanker payudara ganas memiliki karakteristik garis tepi yang tidak teratur. Penelitian ini
hanya berfokus pada implementasi metode Active Contour dan belum melakukan proses klasifikasi
maupun untuk mendeteksi bentuk objek dari citra USG kanker payudara yang telah disegmentasi.
Berdasarkan validasi menggunakan metode ROC didapatkan hasil segmentasi metode Active
Contour terhadap segmentasi manual dataset jenis kanker jinak didapatkan nilai akurasi 92,35%,
sensitifitas 80,5% dan spesifisitas 93,41%, untuk jenis kanker ganas didapatkan nilai akurasi
73,9%, sensitifitas 57,83% dan spesifisitas 73,49%.
DAFTAR PUSTAKA
[1] W. I. Globocan Observatory 2019, I. A. for R. on C. (IARC), and W. H. O. (WHO), “Breast
Cancer. Source: Globocan 2018,” World Heal. Organ. Int. Agency Res. Cancer, vol. 876,
pp. 2018–2019, 2019, [Online]. Available: http://gco.iarc.fr/today
%0Ahttps://gco.iarc.fr/today/data/factsheets/populations/900-world-fact-sheets.pdf.
[2] R. I. Kemenkes, “Bulan peduli kanker payudara,” Info Datin Bulan Peduli Kanker
Payudara, 2016.
[3] G. Benitez-Garcia, J. Olivares-Mercado, G. Aguilar-Torres, G. Sanchez-Perez, and H.
Perez-Meana, “Face identification based on Contrast Limited Adaptive Histogram
Equalization (CLAHE),” Proc. 2011 Int. Conf. Image Process. Comput. Vision, Pattern
Recognition, IPCV 2011, vol. 1, pp. 363–369, 2011.
[4] F. Basyid, K. Adi, F. Sains, and U. Diponegoro, “Segmentasi Citra Medis Untuk
Pengenalan Objek Kanker Menggunakan Metode Active Contour,” Youngster Phys. J., vol.
3, no. 3, pp. 209–216, 2014.
[5] T. F. Chan and L. A. Vese, “Active contours without edges,” IEEE Trans. image Process.,
vol. 10, no. 2, pp. 266–277, 2001.
[6] B. Proklamasi, “Segmentasi tulang selangka dari citra x-ray thorax dengan menggunakan
active contour.” Universitas Islam Negeri Maulana Malik Ibrahim, 2013.
[7] I. M. O. Widyantara, A. T. A. P. Kusuma, and N. M. A. E. D. Wirastuti, “Preprocessing
Pada Segmentasi Citra Paru-Paru Dan Jantung Menggunakan Anisotropic Diffusion Filter,”
Maj. Ilm. Teknol. Elektro, vol. 14, no. 2, p. 6, 2015, doi: 10.24843/mite.2015.v14i02p02.
LAMPIRAN
Lampiran 1 Hasil Perbandingan citra USG kanker payudara jenis Benign segmentasi program dan
segmentasi manual
No Nama TN FN TP FP Akurasi Sensitifitas Spesifisitas
Citra (%) (%) (%)
1 Benign 12072 4679 44308 4477 86,0291 90,4485 72,947
9
2 Benign 29791 2827 30582 2336 92,1219 91,5382 92,7289
10
3 Benign 61666 803 2928 139 98,5626 78,4776 99,7751
15
4 Benign 42738 3863 15384 3551 88,6871 79,9293 92,3286
23
5 Benign 28173 3753 31088 2522 90,4251 89,2282 91,7837
26
6 Benign 47081 4619 9321 4515 86,0626 66,8651 91,2493
34
7 Benign 55679 982 8590 285 98,0667 89,7409 99,4907
87
8 Benign 55485 3010 6395 1646 92,8955 67,9957 97,0676
89
9 Benign 61177 873 2791 695 97,6074 76,1736 98,8767
95
10 Benign 51033 3387 10000 1116 93,129 74,6993 97,86
99
Jumlah 444895 28796 161387 21282 923,587 805,0964 934,1076
Rata-rata 44489,5 2879,6 16138,7 2128,2 92,3587 80,5096 93,4108
Lampiran 2 Hasil Perbandingan citra USG kanker payudara jenis Malignant segmentasi program
dan segmentasi manual
No Nama TN FN TP FP Akurasi Sensitifitas Spesifisitas
Citra (%) (%) (%)
1 Malignant 48616 4020 44308 4477 88,2278 69,603 92,9365
26
2 Malignant 53915 2819 6001 2801 91,4246 68,0385 95,0614
28
3 Malignant 46873 4814 9802 4047 86,4792 67,0635 92,0522
34
4 Malignant 9583 15741 24597 15651 52,1545 60,9772 38,0308
35
5 Malignant 4644 23391 14558 22943 29,2999 38,362 16,834
93
6 Malignant 47743 4115 9781 3897 87,7747 70,3872 92,4535
131
7 Malignant 8176 19097 19213 19050 41,7923 50,1514 30,0301
135
8 Malignant 47680 5535 6793 5528 83,1192 55,1022 89,6106
143
9 Malignant 59338 2086 2032 2080 93,6432 49,3443 96,6134
145
10 Malignant 50989 4933 4793 4821 85,1166 49,2803 91,3618
166
Jumlah 377557 86551 106775 84513 739,032 578,3096 734,9843
Rata-rata 37755,7 8655,1 10677,5 8451,3 73,9032 57,8310 73,4984
Lampiran 3
Hasil segmentasi citra USG kanker payudara jenis Benign
No Citra Asli Citra Hasil Preprocessing Hasil Segmentasi Active
dan Pola Inisialisasi Contour
Benign 9
Benign 10
Benign 15
Benign 23
Benign 26
6
Hasil segmentasi citra USG kanker payudara jenis Malignant
No Citra Asli Citra Hasil Preprocessing Hasil Segmentasi Active
dan Pola Inisialisasi Contour
Malignant 26
Malignant 28
Malignant 34
Malignant 35
Malignant 93