DIAGNOSA AWAL CITRA MELANOMA BERDASARKAN ATURAN ABCD

Transkripsi

1 TUGAS AKHIR CI1599 DIAGNOSA AWAL CITRA MELANOMA BERDASARKAN ATURAN ABCD ERNY LUTFIYAH ARIFIANTI NRP Dosen Pembimbing I Chastine Fatichah, S. Kom, M. Kom Dosen Pembimbing II Bilqis Amaliah, S. Kom, M.Kom TEKNIK INFORMATIKA Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya 2009 i

2 ii

3 UNDERGRADUATE THESIS CI1599 MELANOMA IMAGE SEGMENTATION FOR EARLY SKIN CANCER DIAGNOSE ERNY LUTFIYAH ARIFIANTI NRP Supervisor I Chastine Fatichah, S. Kom, M. Kom Supervisor II Bilqis Amaliah, S. Kom, M.Kom DEPARTMENT OF INFORMATICS Faculty Of Information Technology Sepuluh Nopember Institute Of Technology Surabaya 2009 iii

4 MELANOMA IMAGE SEGMENTATION FOR EARLY SKIN CANCER DIAGNOSIS Student s Name : Erny Lutfiyah Arifianti NRP : Major of Department : Informatics FoIT-ITS Dosen Pembimbing I : Chastine Fatichah, S.Kom, M.Kom Dosen Pembimbing II : Bilqis Amaliah, S.Kom, M.Kom ABSTRACT Melanoma is one of aggressively contaguous dangerous cancer. This cancer appears in cells that product melamin pigmen which is known to give color to skin. Melanoma could be deadly if it appears in a head skin or neck. Often melanoma is difficult to distinguish with benign lesion which is not a cancer. But if it can be diagnosed early, then the risk of death could be minimalized. In this thesis, diagnose to image is done in three main process: preprocessing, segmentation process, and dermatoscopic feature extraction. The preprocessing process consists of two sub-process: median filtering and principal component analysis. The segmentation process also consists of three sub-process: fuzzy and region growing. The dermatoscopic feature extraction uses mnemonic device ABCD (Asymmetry, Border Irregularity, Color Variation, and Diameter). Finally, testing using this methode produces some dermatoscopic feature that distinguish if an image is melanoma, melanoma symptoms (suspicious) or only benign lesions. To decide if an image is melanoma, there are formulas to determine Total Dermatoscopic Value (TDV). Keywords: filtering, fuzzy, region growing, Principal Component Analysis, melanoma, Ektraksi Fitur ABCD. ix

5 DIAGNOSA AWAL CITRA MELANOMA BERDASARKAN ATURAN ABCD Nama Mahasiswa : Erny Lutfiyah Arifianti NRP : Jurusan : Teknik Informatika FTIF-ITS Dosen Pembimbing I : Chastine Fatichah, S.Kom, M.Kom Dosen Pembimbing II : Bilqis Amaliah, S.Kom, M.Kom ABSTRAK Melanoma adalah sejenis kanker berbahaya yang bersifat agresif dan menyebar dengan cepat. Kanker ini timbul di sel-sel yang memproduksi pigmen melanin, yaitu pemberi warna pada kulit. Melanoma lebih mematikan jika muncul di area kulit kepala atau leher. Seringkali melanoma agak sulit dibedakan dengan luka biasa yang bukan kanker. Namun jika bisa didiagnosa sejak dini, maka resiko yang diakibatkan bisa diminimalisir. Dalam tugas akhir ini, diagnosa terhadap citra dilakukan melalui tiga proses utama yakni preprocessing, proses segmentasi, dan ekstraksi fitur dermatoskopis.pada proses preprocessing terdiri dari dua tahapan proses lagi yakni median filtering dan principal component analysis. Pada proses segmentasi juga terbagi atas dua tahapan proses, yakni fuzzy dan region growing. Pada proses eksraksi fitur dermatoskopis menggunakan device mnemonic ABCD (Asymmetry, Border Irregularity, Color Variation, dan Diameter). Pada akhirnya, uji coba dengan menggunakan metode ini menghasilkan suatu fitur dermatoskopis yang membedakan apakah image tersebut melanoma, gejala melanoma (suspicious) atau hanya luka biasa. Untuk menentukan citra tersebut melanoma atau bukan, terdapat rumus untuk menghitung Total Dermatoskopic Value (TDV). Kata kunci: filtering, fuzzy, region growing, Principal Component Analysis, melanoma, Ektraksi Fitur ABCD vii

6 DIAGNOSA AWAL CITRA MELANOMA BERDASARKAN ATURAN ABCD HALAMAN PENGESAHAN TUGAS AKHIR Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer pada Bidang Studi Sistem Bisnis Cerdas Program Studi S-1 Jurusan Teknik Informatika Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Oleh: ERNY LUTFIYAH ARIFIANTI Nrp Disetujui oleh Pembimbing Tugas Akhir: Chastine Fatichah, S.Kom, M.Kom (NIP ).... (Pembimbing I ) Bilqis Amaliah, S.Kom, M.Kom (NIP ).... (Pembimbing II) SURABAYA, AGUSTUS 2009 v

7 KATA PENGANTAR Segala puji bagi yang telah melimpahkan rahmat dan hidayah-nya sehingga penulis bisa menyelesaikan Tugas Akhir yang berjudul Diagnosa Awal Citra Melanoma Berdasarkan Aturan ABCD. Pengerjaan Tugas Akhir ini, bagi penulis, merupakan suatu kesempatan yang sangat luar biasa untuk mengimplementasikan, meningkatkan, dan lebih memperdalam semua pengetahuan yang telah didapatkan penulis selama menjalani perkuliahan di kampus Teknik Informatika ITS tercinta. Penulis berharap, semoga apa yang tertulis di dalam buku Tugas Akhir ini dapat menjadi bagian dari pengembangan teknologi informasi saat ini, serta dapat memberikan kontribusi yang nyata bagi kampus Teknik Informatika dan bangsa Indonesia. Terselesaikannya buku Tugas Akhir ini, tidak terlepas dari dukungan dan bantuan semua pihak. Oleh karena itu, dengan segala ketulusan dan kerendahan hati, penulis ingin mengucapkan rasa terima kasih yang sedalam-dalamnya kepada : 1. Ibu Chastine Fatichah, S.Kom, M.Kom. selaku dosen pembimbing I yang telah memberikan banyak wejangan, arahan, bantuan, ide-ide kreatif, perhatian, serta dukungan yang sangat dahsyat bagi penulis. 2. Ibu Bilqis Amaliah, S.Kom, M.Kom selaku dosen pembimbing II yang telah memberikan arahan dan bimbingan juga dalam menyelesaikan tugas akhir ini. 3. Ayah dan mama yang selalu mendoakan kesuksesan saya. Juga saudara-saudara penulis, Mbak Ifa, Indah, Irfan, si kembar Lukman dan Lutfi, si kecil Aulia, juga keponakan yang lucu, Wildan. Aku sayang kalian semua. 4. Mieky Sofyan Yudinata yang selalu membantu ketika penulis kesulitan dalam kuliah gara-gara SALAH JURUSAN. xi

8 5. Bapak Yudhi Purwananto, S.Kom, M.Kom. selaku Kajur TC, Bapak Wahyu Suadi, S.Kom, M.Kom sebagai dosen wali penulis, Bapak Imam Kuswardayan S.Kom, M.Kom atas segala wejangannya, dan segenap dosen TC yang telah memberi banyak ilmu yang baik kepada penulis, para karyawan juga yang setia menemani hari-hari penulis selama di sini. Terima kasih yang banyak penulis haturkan. 6. Rekan-rekan di lab Komputing yang luar biasa telah membantu banyak dalam usaha membuat tugas akhir ini. Mas Fatih, Mas Silas, Mas Chika, Mas Yulianus, Mas Thamrin, Mbak Upe, Mbak Licha, dan mbak dan mas yang belum sempet kesebut. 7. Rekan-rekan seperjuangan PH Kabinet Pembaharuan, Deden, Robert, Aly, Tia, Hendri, Meli, Dugonk, Ariana, Hudan, Sari, Buset, Sheila, Andi Bagus, Westri, Mizar kadep tercinta, Rona, dan Leli. 8. Temen-temen 2005 yang sering menemani penulis saat kesepian, Tika, Amalia, Shinta, Ruktin, juga teman-teman satu bimbingan dengan Bu Chastine : Anggun, Ratna, Niken, Endang, Faisal, Mas Helmi. Dan semua yang gak bisa disebutkan satu-satu. Susah senang kita bersama. 9. Mas-mas, mbak-mbak, dan adik-adik seperjuangan di kampus Teknik Informatika yang telah memiliki gedung sendiri. 10. Juga tak lupa kepada semua pihak yang belum sempat disebutkan satu per satu disini yang telah membantu terselesaikannya tugas akhir ini. Tiada gading yang tak retak. Kiranya terdapat kekurangan dalam pembuatan buku TA ini, karenanya sangat diharapkan kritik dan saran yang membangun untuk perbaikan kedepan. Surabaya, Agustus 2009 xii

9 DAFTAR ISI HALAMAN PENGESAHAN... v ABSTRAK... vii ABSTRACT... ix KATA PENGANTAR... xi DAFTAR ISI... xiii DAFTAR GAMBAR... xvi DAFTAR TABEL... xix 1. BAB I - PENDAHULUAN Latar Belakang Tujuan Pembuatan Tugas Akhir Permasalahan Batasan Tugas Akhir Metodologi Tugas Akhir Sistematika Penulisan BAB II - TINJAUAN PUSTAKA Representasi Pengolahan Citra Preprocessing Citra Konsep Filtering Principal Component Analysis Segmentasi Citra Fuzzy Set Region Growing Ekstraksi Fitur ABCD Asymmetry Border Irregularity Color Variation Diameter BAB III - DESAIN DAN IMPLEMENTASI Desain Data Data Masukan Data Proses Data Hasil Perancangan Proses xiii

10 3.2.1.Data Input Proses Preprocessing Proses Segmentasi Proses Penghitungan TDV Melalui Ektraksi Fitur ABCD Data Output Perancangan Antarmuka Lingkungan Implementasi Potongan dan Penjelasan Program Preprocessing Median Filtering Principal Component Analysis Segmentasi Fuzzy set Penetuan Titik Tengah (Seed Point) Region Growing Ektraksi Fitur ABCD Asymmetry Border Irregularity Color Variation Diameter BAB IV - UJI COBA DAN PEMBAHASAN Lingkungan Uji Coba Data Uji Coba Proses Uji Coba Uji Coba terhadap Citra Uji1.jpg Uji Coba terhadap Citra Uji2.jpg Uji Coba terhadap Citra Uji3.jpg Uji Coba terhadap Citra Uji4.jpg Uji Coba terhadap Citra Uji5.jpg Uji Coba terhadap Citra Uji6.jpg Uji Coba terhadap Citra Uji7.jpg Uji Coba terhadap Citra Uji8.jpg Uji Coba terhadap Citra Uji9.jpg Uji Coba terhadap Citra Uji10.jpg Hasil Uji Coba Keseluruhan xiv

11 5. BAB V - KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN BIODATA PENULIS xv

12 DAFTAR GAMBAR Gambar 2.1. Konsep median filtering Gambar x 3 averaging kernel Gambar 2.3. Kernel Konvolusi Sobel Gambar 2.4. Kernel Pseudo-convolution Gambar 2.5. Citra Grayscale dan hasil operator Sobel Gambar 2.6. Metode Box-Counting Gambar 2.7. Kalkulasi fractal dimension (fd) menggunakan metode box-counting Gambar 3.1. Diagram Alir Garis Besar Proses Gambar 3.2. Block Diagram Keseluruhan Proses Gambar 3.3. Diagram Alir Proses Preprocessing Gambar 3.4. Diagram Alir Proses Segmentasi Gambar 3.5. Diagram Alir Proses Region Growing Gambar 3.6. Diagram Alir Proses Proses Ektraksi Fitur ABCD 39 Gambar 3.7. Diagram Alir Proses Mencari Nilai A Gambar 3.8. Diagram Alir Proses Mencari Nilai B Gambar 3.9. Antarmuka perangkat lunak Gambar 3.10.Proses upload citra Gambar 3.11.Setelah citra berhasil diupload Gambar 3.12.Setelah mengklik tombol preprocessing Gambar 3.13.Setelah mengklik tombol segmentasi Gambar 3.14.Setelah menentukan titik tengah Gambar 3.15.Setelah mengklik tombol TDV Result Gambar 3.16.Window Detil ABCD Gambar 3.17.Potongan Program Median Filtering Gambar 3.18.Potongan Program Principal Component Analysis 49 Gambar 3.19.Potongan Program fuzzy set Gambar 3.20.Potongan Program Penentuan Seed Point Gambar 3.21.Potongan Program Region Growing Gambar 3.22.Potongan Program Mencari Nilai Moment Gambar 3.23.Potongan Program Mencari Asymmetry Index Gambar 3.24.Potongan Program Mencari Lengthening Index.. 55 xvi

13 Gambar 3.25.Potongan Program untuk membersihkan bercakbercak pada citra Black and White Gambar 3.26.Potongan Program Compactness Index Gambar 3.27.Potongan Program Fractal Dimension Gambar 3.28.Potongan Program Edge Abruptness Gambar 3.29.Potongan Program Pigmentation Transition me dan ve Gambar 3.30.Potongan Program Color Homogeneity Gambar 3.31.Potongan Program Correlation between photometry and Geometry Gambar 3.32.Potongan Program Mencari Diameter Gambar 4.1.Snap Shot depan uji1.jpg Gambar 4.2.Snap Shot rincian Ektraksi Fitur ABCD uji1.jpg Gambar 4.3.Snap Shot Edge Detection uji1.jpg Gambar 4.4.Snap Shot depan uji2.jpg Gambar 4.5.Snap Shot rincian Ektraksi Fitur ABCD uji2.jpg Gambar 4.6.Snap Shot Edge Detection uji2.jpg Gambar 4.7.Snap Shot depan uji3.jpg Gambar 4.8.Snap Shot rincian Ektraksi Fitur ABCD uji3.jpg Gambar 4.9.Snap Shot Edge Detection uji3.jpg Gambar 4.10.Snap Shot depan uji4.jpg Gambar 4.11.Snap Shot rincian Ektraksi Fitur ABCD uji4.jpg.. 76 Gambar 4.12.Snap Shot Edge Detection uji4.jpg Gambar 4.13.Snap Shot depan uji5.jpg Gambar 4.14.Snap Shot rincian Ektraksi Fitur ABCD uji5.jpg.. 78 Gambar 4.15.Snap Shot Edge Detection uji5.jpg Gambar 4.16.Snap Shot depan uji6.jpg Gambar 4.17.Snap Shot rincian Ektraksi Fitur ABCD uji6.jpg.. 81 Gambar 4.18.Snap Shot Edge Detection uji6.jpg Gambar 4.19.Snap Shot depan uji7.jpg Gambar 4.20.Snap Shot rincian Ektraksi Fitur ABCD uji7.jpg.. 83 Gambar 4.21.Snap Shot Edge Detection uji7.jpg Gambar 4.22.Snap Shot depan uji8.jpg Gambar 4.23.Snap Shot rincian Ektraksi Fitur ABCD uji8.jpg.. 85 Gambar 4.24.Snap Shot Edge Detection uji8.jpg xvii

14 Gambar 4.25.Snap Shot depan uji9.jpg Gambar 4.26.Snap Shot rincian Ektraksi Fitur ABCD uji9.jpg.. 87 Gambar 4.27.Snap Shot Edge Detection uji9.jpg Gambar 4.28.Snap Shot depan uji10.jpg Gambar 4.29.Snap Shot rincian Ektraksi Fitur ABCD uji10.jpg 89 Gambar 4.30.Snap Shot Edge Detection uji10.jpg xviii

15 DAFTAR TABEL Tabel 4.1 Lingkungan Uji Coba Tabel 4.2 Data Citra Uji Coba Tabel 4.3 Data Hasil Uji Coba Uji1.jpg Tabel 4.4 Data Hasil Uji Coba Uji2.jpg Tabel 4.5 Data Hasil Uji Coba Uji3.jpg Tabel 4.6 Data Hasil Uji Coba Uji4.jpg Tabel 4.7 Data Hasil Uji Coba Uji5.jpg Tabel 4.8 Data Hasil Uji Coba Uji6.jpg Tabel 4.9 Data Hasil Uji Coba Uji7.jpg Tabel 4.10 Data Hasil Uji Coba Uji8.jpg Tabel 4.11 Data Hasil Uji Coba Uji9.jpg Tabel 4.12 Data Hasil Uji Coba Uji10.jpg Tabel 4.13 Tabel Hasil Uji Coba Citra Uji1.jpg-Uji10.jpg Tabel 4.14 Tabel Hasil Uji Coba Citra Uji11.jpg-Uji20.jpg Tabel 4.15 Tabel Hasil Uji Coba Citra Uji21.jpg-Uji30.jpg xix