1

IDENTIFIKASI PENYAKIT KANKER PARU-PARU

PADA CITRA MEDIS CHEST X-RAY (CXR)
MENGGUNAKAN METODE BACKPROPAGATION
NEURAL NETWORK
Afriani Lubis, S.Kom1, Ulfi Andayani, S.Kom., M.Kom2, Romi Fadillah Rahmat, B.Comp.Sc., M.Sc 3

Program Studi Teknologi Informasi,

Fakultas Ilmu Komputer Dan Teknologi Informasi ,
Universitas Sumatera Utara
Jalan Universitas No. 9, Kampus Universitas Sumatera Utara, Medan 20155

E-mail : afriani.lubis11@students.usu.ac.id1 | ulfi.andayani@usu.ac.id 2 | romi.fadillah@usu.ac.id3

Abstrak— Kanker paru-paru adalah penyebab paling
umum dari kanker yang terkait kematian pada
manusia baik laki-laki dan perempuan. Melakukan
radiografi dada adalah salah satu langkah pertama
yang diselidiki untuk identifikasi kanker paru-paru
Metode yang diusulkan dalam penelitian ini untuk
identifikasi kanker paru dengan pencitraan x-ray dada
adalah backpropagation jaringan saraf. Pra-
pemrosesan, segmentasi menggunakan K-means
Clustering, ekstraksi fitur menggunakan Gray-level
Co-occurrence Matrix dan identifikasi menggunakan
Backpropagation dilakukan oleh penelitian ini untuk
mengidentifikasi keberadaan kanker terutama kanker
paru-paru. Hasil penelitian ini menunjukkan bahwa
metode yang diajukan mampu melakukan klasifikasi
pendarahan otak dengan akurasi sebesar 75% dengan
maksimum epoch yang digunakan adalah 1000.
Kata kunci : kanker paru, segmentasi citra, Gray Level
Co-Occurrence Matrix (GLCM), k-means clustering dan
Backpropagation Neural Network.
PENDAHULUAN
anker adalah pertumbuhan dan penyebaran yang
K tidak terkontrol dari sel [1]. Salah satu jenis kanker
yang paling mematikan adalah kanker paru-paru.
Kanker paru-paru adalah pertumbuhan sel kanker yang
tidak terkendali dalam jaringan paru. Menurut World
Health Organization (WHO), kanker paru merupakan
penyebab kematian utama dari semua kematian akibat
kanker baik pada pria maupun wanita. Menurut CDC
(2010), sebanyak 205.974 orang menderita kanker paru di
Amerika (110.190 pria dan 95.784 wanita) dan sebanyak
158.081 orang meninggal karena penyakit ini (87.694 pria
dan 70.387 wanita) sedangkan di Indonesia, angka
kejadian kanker bronkus dan paru pada pasien rawat inap
sebesar 5,8% dari seluruh jenis kanker [2].
Berdasarkan klasifikasi tersebut, penyakit kanker paru di
diagnosa melalui Chest X-Ray (CXR) atau lebih dikenal
dengan foto rontgen dimanfaatkan di berbagai
aspek kehidupan masyarakat. Pemeriksaan radiologi CXR
ini sangat membantu proses diagnosis dan identifikasi
medis pada penyakit paru. Akan tetapi saat membaca hasil
foto rontgen pengetahuan masyarakat yang minim dalam
membaca hasil rontgen, sehingga masih dibutuhkan tenaga
ahli seperti dokter atau tenaga medis lain untuk
membacanya, Kanker paru-paru memerlukan penanganan
dan tindakan yang cepat dan terarah. Penegakan diagnosis
penyakit ini membutuhkan keterampilan dan sarana yang
baik. Karena apabila tidak segera ditangani, bisa menyebar
dan bermetastasis dan akhirnya meningkatkan derajat
keparahan [3].
Penelitian dengan memanfaatkan CXR sudah
dilakukan yaitu untuk mengidentifikasi kelainan pada paru
dengan judul Detection of Lung Cancer Cells using Image
Processing Techniques dengan menggunakan metode
median filtering, threshold segmentation, Watershed
Algorithm dan Morphological Operations memiliki
akurasi sebesar 75% [4].
Pada penelitian yang berjudul Hypertensive
Retinopathy Identification Through Retinal Fundus Image
Using Backpropagation Neural Network pada tahun 2017
oleh Mohammad Fadly Syahputra, C. Amalia, Romi
Fadillah Rahmat dan Ulfi Andayani [5]. Dalam penelitian
tersebut Backpropagation secara efisien dapat
mengidentifikasi penyakit Hypertensive Retinopathy
dengan akurasi sebesar 95%.
Pada tahun 2017, Amalia Rahmi menggunakan Metode
Backpropagation Neural Network dalam klasifikasi
pendarahan otak. Dalam Penelitian ini klasifikasi
pendarahan otak dilakukan dengan menggunakan citra CT
scan otak dan menghasilkan tingkat akurasi 88% [6].
Berdasarkan hasil penelitian tersebut, dengan
tingkat akurasi yang tinggi yang didapatkan oleh metode
Backpropagation dalam melakukan identifikasi terhadap
suatu objek.
Pada penelitian ini penulis mengajukan metode
identifikasi penyakit kanker paru menggunakan
backpropagation neural network. Pada Bagian II
dijabarkan identifikasi masalah pada penelitian ini. Pada
Bagian III berisi tentang beberapa penelitian terdahulu
yang pernah dilakukan dalam identifikasi penyakit kanker
paru dan penelitian terkait penerapan backpropagation
neural network. Bagian IV akan menjelaskan metode
yang diajukan. Selanjutnya hasil dari penelitian dibahas
pada Bagian V. Bagian VI berisi kesimpulan penelitian,
serta saran untuk penelitian selanjutnya.

I. IDENTIFIKASI MASALAH
Untuk mendapatkan hasil identifikasi yang akurat
dalam kanker paru-paru tidaklah mudah. Identifikasi
kanker paru yang dilakukan oleh ahli radiolog dan dokter
dari citra hasil radiologi tidak selalu sama. Perbedaan
pendapat kerap terjadi karena keputusan yang diambil
berdasarkan kesimpulan masing-masing secara manual
dengan kasat mata. Untuk itu diperlukan suatu aplikasi
yang dapat mengidentifikasi penyakit kanker paru-paru
berdasarkan pengolahan citra digital chest xray (CXR).
II. PENELITIAN TERDAHULU
Penelitian mengenai kanker paru-paru sebelumnya telah
dilakukan oleh Pratap pada tahun 2016 dalam penelitian
dengan judul Detection of Lung Cancer Cells Using Image
Processing Techniques dengan akurasi 75% (pratap,
2016).
Pada tahun 2017 Mohammad Fadly Syahputra, C.
Amalia, Romi Fadillah Rahmat dan Ulfi Andayani
melakukan penelitian yang berjudul Hypertensive
Retinopathy Identification Through Retinal Fundus Image
Using Backpropagation Neural Network. Dalam penelitian
ini, metode Backpropagation secara efisien dapat
mengidentifikasi penyakit Hypertensive Retinopathy
dengan akurasi sebesar 95%.
Penelitian selanjutnya dilakukan oleh Amalia
Rahmi pada tahun 2017 dalam penelitian berjudul
Klasifikasi Pendarahan Otak Menggunakan
Backpropagation Neural Network. Dalam penelitian
tersebut metode Backpropagation mampu melakukan
klasifikasi pendarahan otak melalui citra CT Scan dengan
baik. Sehingga hasil dari proses klasifikasi pendarahan
otak melalui citra CT Scan otak memiliki tingkat akurasi
88%.
Penelitian selanjutnya pernah dilakukan dengan
judul Automatic Detection of Pulmonary Tuberculosis
Using Image Processing Techniques. Pada penelitian ini
tahap pertama yang dilakukan adalah prepocessing,
kemudian dilakukan Registration Based Image
Segmentation, Watershed Segmentation, Threshold dan
Active Contour. Pada penelitian ini data yang digunakan
adalah citra toraks dalam bentuk x-ray skala keabuan
dengan data paru normal dan abnormal (tuberculosis).
III. METODOLOGI
Metode yang diajukan untuk identifikasi penyakit
kanker paru yaitu terdiri dari beberapa tahapan. Tahapan-
tahapan tersebut dimulai dari pengumpulan data citra
Normal,dan kanker yang akan digunakan untuk citra latih
dan dan citra uji, tahap pre-processing yang terdiri atas
cropping, scaling dan grayscaling. Operasi ini bertujuan
untuk memecah suatu citra ke dalam beberapa segmen
dengan kriteria tertentu. Setelah dilakukan preprocessing
selanjutnya dilakukan fitur ekstraksi citra dengan
menggunakan Gray Level Co-occurrence Matrix
(GLCM). Setelah itu masuk pada tahap Identifikasi
dengan menggunakan Backpropagation Neural Network.
Setelah tahapan-tahapan tersebut dilakukan akan
didapatkan hasil identifikasi kanker paru. Adapun tahapan-
tahapan diatas dapat dilihat dalam bentuk arsitektur umum
pada Gambar 1.
2
Gambar 1. Arsitektur umum
A. Pre-processing
Preprocessing adalah sebuah tahapan dimana citra hasil
acqiusition di perbaiki dan disesuaikan agar hasil pattern
analysis dan decision yang dilakukan semakin cepat dan
akurat. Berbagai macam teknik dilakukan untuk
memperbaiki dan menyesuaikan citra, beberapa
diantaranya adalah cropping, scaling dan grayscaling.
scaling
 Pada tahapan ini, gambar hasil grayscaling akan diolah
kem Scaling juga dapat digunakan untuk menormalisasi
ukuran semua citra sehingga memiliki ukuran yang sama
cropping yaitu dengan mengubah dimensi citra menjadi
berukuran 320 x 320 piksel.

Image Segmentation
Segmentasi citra (image segmentation) mempunyai arti
membagi suatu citra menjadi wilayah-wilayah yang
homogen berdasarkan kriteria keserupaan yang tertentu
antara tingkat keabuan suatu piksel dengan tingkat
keabuan piksel – piksel tetangganya, kemudian hasil dari
proses segmentasi ini akan digunakan untuk proses tingkat
tinggi lebih lanjut yang dapat dilakukan terhadap suatu
citra.
Region of Interest (ROI)
Region of Interest (ROI) Dengan menggunakan ROI,
citra akan dibagi ke dalam region-region tertentu
sesuai dengan objeknya. Objek yang dimaksud pada
tahap ini adalah objek yang merupakan kanker dan
objek yang bukan merupakan kanker. Dengan
menggunakan ROI pengolahan citra akan difokuskan
pada daerah yang diduga sebagai kanker,
Jika pada tahap ROI output yang dihasilkan
adalah citra kanker yang masih menyisakan
pinggiran paru-paru, pada tahap edge lung detection
akan dilakukan pendeteksian tepi dari bagian paru-
paru. Hasil dari proses edge lung detection akan
digunakan untuk menghilangkan pinggiran paru-paru
yang didapatkan pada citra hasil ROI. Edge lung
 3

detection memiliki beberapa tahapan, yaitu canny C. Identification

edge detection, dilasi citra, negasi citra dan perkalian Tahap terakhir pada identifikasi kanker paru
citra hasil dilasi dan negasi ROI. adalah penggolongan ke dalam 2 jenis identifikasi.
Beberapa data diinput seebagai data latih, kemudian
B. Featuret Extraction pengetahuan dan informasi yang diporeleh dari
Setelah citra ROI sudah didapatkan, tahap proses training tersebut digunakan sebagai acuan
selanjutnya adalah tahapan feature extraction untuk Identifikasi kanker paru dengan menggunakan
menggunakan Gray Level Co-occurrence Matrix Backpropagation Neural Network .
(GLCM). Bagian citra yang digunakan dalam Tahap awal yang dilakukan pada proses pelatihan
perhitungan matriks kookurensi adalah bagian tumor yaitu input data pelatihan. Pada penelitian ini penulis
yang digambarkan pada citra input yang telah menggunakan 54 data masukan untuk dilatih. Setiap
melalui proses preprocessing. data masukan terdiri dari 28 fitur hasil fitur ekstraksi
yang kemudian akan digunakna sebagai input
Langkah-langkah feature extraction menggunakan neuron. Kemudian tentukan target keluaran dari
GLCM adalah sebagai berikut. setiap data masukan. Lalu inisialisasi nilai seluruh
 GLCM diawali dengan pembacaan input bobot dan bias secara acak dalam range -1 sampai 1.
Kemudian tentukan nilai parameter learning rate,
citra yang merupakan citra hasil proses
maksimum epoch, dan minimum error yang
minimum filter.
digunakan.
 Menentukan nilai gray-level tertinggi 256.
Setelah melakukan inisialisasi, untuk setiap data
Gray level ini digunakan untuk membangun
masukan dilakukan fase feedforward dengan
matriks framework.
menghitung nilai keluaran setiap neuron pada lapisan
 Menentukan arah dan jarak piksel referensi tersembunyi dan lapisan output. Kemudian lakukan
dengan piksel tetangga. Arah yang fase backward dengan menghitung faktor kesalahan
digunakan adalah , pada lapisan output dan lapisan tersembunyi. Hasil
sementara jarak yang digunakan adalah 1. perhitungan faktor kesalahan tersebut selanjutnya
 Menghitung jumlah nilai kookurensi akan digunakan untuk menghitung suku perubahan
berdasarkan arah dan jarak yang telah bobot pada lapisan output dan lapisan tersembunyi.
ditentukan. Kemudian hitung jumlah error data masukan dengan
 Membuat matriks simetris untuk masing- menjumlahkan nilai error setiap neuron pada
masing arah dengan menambahkan matriks lapisan output. Kemudian hitung nilai error pada
kookurensi dan matriks transpose-nya. setiap epoch dengan menjumlahkan hasil
 Membagi nilai kookurensi matriks simetris penjumlahan error setiap data masukan.
dengan jumlah keseluruhan nilai kookurensi Jika nilai error suatu epoch lebih kecil dari nilai
untuk mendapatkan matriks normal. Hasil minimum error yang ditentukan maka iterasi akan
yang diperoleh dari penjumlahan berhenti. Begitu juga sebaliknya. Setelah iterasi
keseluruhan matriks normal adalah 1. berhenti nilai bobot akhir akan disimpan ke dalam
 Menghitung 7 fitur statistik, yaitu energy, file “bp.model” untuk digunakan pada tahap
homogeneity, contrast, entropy, dissimilarity, pengujian. Pelatihan jaringan backpropagation
variance dan correlation. menggunakan arsitektur jaringan dengan 28 input
neuron, 3 hidden neuron , dan 2 output neuron.
Fitur statistik dihitung untuk masing-masing
Setelah dilakukan proses pelatihan jaringan
matriks kookurensi pada arah yang sudah
backpropagation, maka selanjutnya dilakukan
ditentukan, yang sudah dinormalisasi. Karena
pengujian. Pada pengujian jaringan backpropagation
arah yang digunakan adalah 4 arah maka akan
dilakukan hanya dengan melaksanakan fase arah
terdapat 28 fitur. Contoh fitur hasil perhitungan
maju (feedforward). Data yang digunakan pada
citra ditunjukkan pada Tabel 1
pengujian merupakan data yang tidak dipakai pada
No Arah Energy Homogenity Contrast Entropy saat pelatihan. Adapun bobot yang digunakan pada
1 0 0.901 0.972 16.0 0.477 fase arah maju adalah bobot hasil proses pelatihan.
2 45 0.900 0.969 24.0 0.488 Lalu dilakukan perhitungan nilai keluaran dari setiap
3 90 0.901 0.971 15.0 0.477 node pada lapisan tersembunyi dan lapisan output.
4 135 0.900 0.969 23.0 0.486
Setelah dilakukan pengujian terhadap hasil keluaran
Dissimilarity Variance Correlation setiap node pada lapisan output. Apabila hasil
0.441 1533.804 6.485 keluaran node lebih besar dari 0,1 maka nilai
0.617 1533.804 6.468 keluaran pada node tersebut akan diubah menjadi 1.
0.424 1533.804 6.488 Sebaliknya nilai keluaran pada node akan diubah
0.588 1533.804 6.470
 4

menjadi 0 jika nilai keluaran pada node tersebut lebih

kecil dari 0,1. Benar
8 5.jpg Normal
Parameter yang digunakan pada backpropagation
neural network dapat dlihat pada Tabel 1.

Tabel 1. Parameter Backpropagation

No Parameter Keterangan
1 Jumlah input neuron 28
2 Jumlah hidden neuron 3
3 Jumlah output neuron 2
4 Fungsi Aktivasi Sigmoid Biner Berdasarkan Tabel 1, dari 8 gambar data pengujian, ada 2
data pengujian terdeteksi kesalahan saat mengidentifikasi
5 Maksimum epoch 1000 lokasi kanker dan normal, yaitu data ke 1 dan ke 7. Jadi,
6 Minimum error 0.02 dari semua hasil pengujian, kita dapat menyimpulkan
bahwa akurasi yang diperoleh untuk mengidentifikasi
7 Learning rate 0.8 kanker paru menggunakan backpropagation neural
Dalam penentuan parameter yang digunakan pada network adalah 75%
proses backpropagation, sebelumnya terlebih dahulu
dilakukan percobaan terhadap pemilihan parameter V. KESIMPULAN
learning rate pada proses pelatihan dengan beberapa kali
percobaan. Percobaan dilakukan dengan menggunakan Kesimpulan yang dapat diambil berdasarkan hasil
nilai maksimum leaning rate 0,1 dan epoch yang berbeda- pengujian sistem Identifikasi penyakit kanker paru-paru
beda. Berdasarkan percobaan diperoleh hasil bahwa epoch dengan menggunakan Bacpropagation Neural Network
1000 memberikan hasil pelatihan dengan akurasi 75%, adalah Metode Backpropagation Neural Network mampu
sehingga epoch 1000 ini dipakai sebagai parameter pada melakukan Identifikasi penyakit kanker paru-paru melalui
backpropagation. citra CXR dengan tingkat akurasi 75%
Hidden Layer sangat mempengaruhi akurasi.
IV. HASIL DAN PEMBAHASAN Setelah melalui beberapa pengujian, semakin kecil jumlah
hidden Layer maka semakin kecil pula tingkat akurasi
Hasil identifikasi kanker paru-paru dapat dilihat pada
yang didapatkan. sebaliknya semakin besar nilai Hidden
Tabel 2 dimana hasil pengujian tersebut adalah
Layer maka semakin besar tingkat akurasi yang
berdasarkan hasil bobot akhir pelatihan dengan
didapatkan. Kesalahan identifikasi dipengaruhi oleh fitur
menggunakan parameter pada Tabel 1. Citra uji yang
ekstraksi yang didapatkan pada hasil segmentasi citra
digunakan untuk masing-masing berjumlah berjumlah 4
yang mirip antara dua kategori citra CXR.
sehingga total keseluruhan citra uji adalah 8.
Tabel 2. Hasil pengujian klasifikasi pendarahan otak Penelitian selanjutnya dapat dikembangkan dengan
menggunakan metode neural network lainya dengan data
Nama Hasil penelitian yang sama agar dapat membandingkannya
No. Citra Asli Ket
Gambar identifikasi dengan metode Backpropagation Neural Network. Serta
menggunakan pengolahan citra yang lebih baik terkhusus
pada proses segmentasi citra agar pola pendarahan terlihat
1 2.jpg Normal Salah
dengan lebih jelas.

2 3.jpg kanker Benar DAFTAR PUSTAKA

[1] World Health Organization. 2013. Cancer (Online). Available at:
http://www.who.int/mediacentre/factsheets/fs297/en/.(
3 4.jpg kanker Benar diakses 28 April 2017).

[2] World Health Organization (WHO). 2015. Badan Penelitian dan

Pengembangan Kesehatan, 2008. Riset Kesehatan
4 5.jpg kanker Benar Dasar, Laporan Nasional 2007. Departemen
Kesehatan Republik Indonesia.

[3] Perhimpunan Dokter Paru Indonesia, 2003. Kanker Paru :Pedoman

Diagnosis & Penatalaksanaan di Indonesia. Jakarta :
5 1.jpg Normal Benar
PDPI.
[4] Pratap, G.P. & Chauhan, R.P. 2016. Detection of Lung Cancer
Cells using Image Processing Techniques.1st IEEE
International Conference.
7 2.jpg Normal Salah
[5] Syahputra, M.F., Rahmad, R.F., amalia, C & Andayani, U. 2017.
Hypertensive retinopathy identification through
 5

retinal fundus image using backpropagation neural

network.Journal of Physics:Conf. Series 978.

[6] Rahmi, A. 2017. klasifikasi pendarahan otak menggunakan

Backpropagation Neural Network. Skripsi.
Universitas Sumatera Utara.