DETEKSI DINI KANKER PARU DENGAN MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK (FRBFNN) DAN HIGH FREQUENCY EMPHASIS FILTER SKRIPSI

Transkripsi

1 DETEKSI DINI KANKER PARU DENGAN MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK (FRBFNN) DAN HIGH FREQUENCY EMPHASIS FILTER SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta untuk Memenuhi sebagian Persyaratan Guna Memperoleh Gelar Sarjana Sains Oleh Leonardus Ragil Pamungkas NIM PROGRAM STUDI MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI YOGYAKARTA 2017 i

2 ii

3 iii

4 iv

5 MOTTO to see the world, things dangerous to come to, to see behind walls, to draw closer, to find each other and to feel, that is the purpose of life -The Secret Life of Walter Mitty- Mandatum novum do vobis ut diligatis invicem sicut dilexi vos, Aku memberikan perintah baru kepada kamu, yaitu supaya kamu saling mengasihi, sama seperti Aku telah mengasihi kamu demikian pula kamu harus saling mengasihi, Yohanes 13: 34. Tuhan selalu bersama orang benar, Tuhan selalu melindungi anak-anaknya jangan takut, Tuhan ada bersama kita. v

6 HALAMAN PERSEMBAHAN Kedua orang tuaku, Albertus Suharyanto dan Bernadetta Sustiwi. Saudari-saudariku, mbak Dita dan mbak Mega. Teman-teman IKMK UNY 2013 dan Matematika B vi

7 DETEKSI DINI KANKER PARU DENGAN MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK (FRBFNN) DAN HIGH FREQUENCY EMPHASIS FILTER Oleh: Leonardus Ragil Pamungkas ABSTRAK Kanker paru merupakan salah satu jenis kanker yang dalam beberapa dekade ini menjadi salah satu penyebab utama kematian pada semua kasus kanker di seluruh dunia. Oleh karena itu, deteksi kanker paru sejak dini perlu dilakukan untuk menekan kasus kematian pada kanker paru. Fuzzy Radial Basis Function Neural Network (FRBFNN) merupakan gabungan model jaringan saraf tiruan dan logika fuzzy yang dapat digunakan untuk mendeteksi dini kanker paru. Penelitian ini bertujuan untuk menjelaskan langkah-langkah pembentukan model FRBFNN dan ketepatan hasil deteksi dini kanker paru menggunakan model FRBFNN. Prosedur awal pembentukan model FRBFNN untuk mendeteksi dini kanker paru adalah preprocessing citra dengan melakukan operasi transformasi menggunakan filter high frequency emphasis dan histogram equalization. Selanjutnya, menggunakan metode Gray Level Co-occurrence Matrix (GLCM) untuk mengekstrak 14 fitur second order statistical. Dengan melakukan t-test terpilih 5 fitur yang berbeda signifikan yaitu energy, contrast, correlation, inverse difference moment, dan entropy. Selanjutnya, membagi data menjadi 2 bagian yaitu 80% data training dan 20% data testing. Variabel input yang digunakan adalah 5 fiturr hasil ekstraksi metode GLCM dan variabel output adalah diagnosa dari citra radiography. Pada pembelajaran FRBFNN terbagi menjadi 4 tahap, yaitu melakukan fuzzifikasi dari 5 fitur dengan menggunakan fungsi keanggotaan trapesium, menentukan nilai pusat dan jarak dari fungsi aktivasi gaussian dengan menggunakan K-Means clustering, menentukan jumlah neuron pada lapisan tersembunyi, dan menentukan bobot-bobot jaringan dengan menggunakan dua pendekatan yaitu metode Global Ridge Regression dan algoritma Backpropagation. Berdasarkan langkah-langkah pembentukan model FRBFNN untuk mendeteksi dini kanker paru, diperoleh model FRBFNN terbaik dengan 5 neuron pada lapisan input fitur, 15 neuron pada lapisan input fuzzy, 7 neuron serta 1 neuron bias pada lapisan tersembunyi, dan 1 neuron pada lapisan output. Tingkat persentase sensitivitas, spesifisitas, dan akurasi model FRBFNN secara berurutan adalah 88,1%, 100%, 93,75% untuk data training dan 80%, 80%, 80% untuk data testing. Kata Kunci : Kanker Paru, Fuzzy Radial Basis Function Neural Network (FRBFNN), Filter High Frequency Emphasis, Backpropagation, Global Ridge Regression. vii

8 KATA PENGANTAR Puji syukur dan terima kasih ke hadirat Tuhan Yang Maha Esa, yang telah melimpahkan rahmat dan karunia kepada penulis sehingga dapat menyelesaikan skripsi ini. Penulisan skripsi ini bertujuan memenuhi salah satu syarat untuk memperoleh gelar Sarjana Sains Program Studi Matematika di Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Negeri Yogyakarta. Penyusunan skripsi ini tidak lepas dari dukungan, motivasi, kerjasama maupun bimbingan dari berbagai pihak secara langsung maupun tidak langsung. Oleh karena itu, penulis menyampaikan terima kasih kepada: 1. Bapak Dr. Hartono, selaku Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam yang telah memberikan kesempatan penulis untuk menyelesaikan studi dan memberikan kelancaran dalam pelayanan akademik serta fasilitas studi di tingkat fakultas. 2. Bapak Dr. Ali Mahmudi, selaku Ketua Jurusan Pendidikan Matematika yang telah memberikan kelancaran dalam pelayanan akademik serta fasilitas studi di tingkat jurusan. 3. Bapak Dr. Agus Maman Abadi, selaku Ketua Program Studi Matematika dan Dosen Pembimbing II atas bimbingan, pengarahan, dan semangat dalam penyusunan skripsi ini serta dukungan akademik kepada penulis. 4. Ibu Dr. Dhoriva U.W., selaku Dosen Pembimbing I yang telah sangat sabar memberikan bimbingan, pengarahan, dan semangat dalam penyusunan skripsi ini. viii

9 5. Ibu Retno Subekti, M. Sc, selaku Dosen Penasehat Akademik yang telah memberikan pengarahan dan bimbingan selama proses studi. 6. Seluruh Dosen Jurusan Pendidikan Matematika yang telah memberikan arahan dan ilmu yang bermanfaat bagi penulis. 7. Seluruh pihak yang telah membantu dan memberikan dukungan dalam penulisan skripsi ini hingga akhir. Penulis menyadari bahwa masih banyak kekurangan dan kesalahan dalam skripsi ini. Oleh karena itu, kritik dan saran yang membangun penulis harapkan sebagai sebuah koreksi dan untuk perbaikan skripsi ini. Demikian skripsi ini penulis susun, semoga dapat memberikan manfaat bagi penulis dan pembaca. Yogyakarta, 16 Mei 2017 Penulis, Leonardus Ragil Panungkas ix

10 DAFTAR ISI HALAMAN JUDUL... i HALAMAN PERSETUJUAN... ii HALAMAN PENGESAHAN... iii HALAMAN PERNYATAAN... iv MOTTO... v HALAMAN PERSEMBAHAN... vi ABSTRAK... vii KATA PENGANTAR...viii DAFTAR ISI... x DAFTAR TABEL...xiii DAFTAR GAMBAR... xiv DAFTAR LAMPIRAN... xvi DAFTAR SIMBOL...xvii BAB I PENDAHULUAN...1 A. Latar Belakang...1 B. Rumusan Masalah...6 C. Tujuan Penelitian...7 D. Manfaat Penelitian...7 BAB II KAJIAN TEORI...9 A. Kanker Paru Pengertian Kanker Paru Jenis Kanker Paru Faktor Resiko Kanker Paru Gejala Kanker Paru Deteksi Dini Kanker Paru...13 B. Pengolahan Citra Digital...15 C. Perbaikan Kualitas Citra Transformasi Fourier Diskret 2-D Konsep Filter dalam Domain Frekuensi Filter Penajaman pada Domain Frekuensi High Frequency Emphasis Filter (HFEF)...25 x

11 D. Ekstraksi Fitur Citra...26 E. Teori Himpunan Fuzzy Himpunan Klasik Himpunan Fuzzy Fungsi Keanggotaan Operasi Dasar Zadeh...33 F. Jaringan Saraf Tiruan (Artificial Neural Network) Arsitektur Jaringan Fungsi Aktivasi Algoritma Pembelajaran (Learning Algorithm)...42 G. Ketepatan Hasil Diagnosa...43 BAB III PEMBAHASAN...45 A. Fuzzy Radial Basis Function Neural Network (FRBFNN) Arsitektur FRBFNN Fungsi Aktivasi FRBFNN Algoritma Pembelajaran FRBFNN...49 B. Prosedur Model (FRBFNN) dengan Preprocessing Citra untuk Deteksi Dini Kanker Paru Preprocessing Citra Ekstraksi Fitur Citra Pembagian Data Menentukan Variabel Input dan Variabel Output Pembelajaran FRBFNN Menentukan Jaringan Optimum...72 C. Hasil Model (FRBFNN) dengan Preprocessing Citra untuk Deteksi Dini Kanker Paru Preprocessing Citra Ekstraksi Fitur pada Citra Pembagian Data Menentukan Variabel Input dan Variabel Output Pembelajaran FRBFNN Menentukan Jaringan Optimum...85 D. Perbandingan Ketepatan Hasil Deteksi Dini Kanker Paru xi

12 BAB IV PENUTUP A. Kesimpulan B. Saran DAFTAR PUSTAKA LAMPIRAN xii

13 DAFTAR TABEL Tabel 2.1 Hasil Uji Diagnosa 2 Kategori...43 Tabel 3.1 Tabel Data Pengamatan...53 Tabel 3.2 Koordinat Pusat Cluster Partisi Pertama...53 Tabel 3.3 Koordinat Pusat Cluster Partisi Kedua...55 Tabel 3.4 Hasil Ekstraksi Citra N1.jpg...77 Tabel 3.5 Persentase Akurasi Model RBFNN Metode Global Ridge Regression...85 Tabel 3.6 Persentase Akurasi Model RBFNN Metode Algoritma Backpropagation...87 Tabel 3.7 Persentase Akurasi Model FRBFNN Metode Global Ridge Regression...89 Tabel 3.8 Persentase Akurasi Model FRBFNN Metode Algoritma Backpropagation...90 Tabel 3.9 Perbandingan Hasil Ketepatan Deteksi Dini Kanker Paru pada Data Training dari model RBFNN dan FRBFNN Tabel 3.10 Perbandingan Tingkat Sensitivitas, Spesifisitas dan Akurasi pada Data Training dari RBFNN dan FBFNN Tabel 3.11 Perbandingan Hasil Ketepatan Deteksi Dini Kanker Paru pada Data Testing dari model RBFNN dan FRBFNN Tabel 3.12 Perbandingan Tingkat Sensitivitas, Spesifisitas dan Akurasi pada Data Testing dari RBFNN dan FBFNN xiii

14 DAFTAR GAMBAR Gambar 2.1 Spektrum Fourier 2-D...18 Gambar 2.2 Citra Lena.jpg...22 Gambar 2.3 Spektrum Fourier Citra pada Gambar 2.2(b)...22 Gambar 2.4 Spektrum Fourier Filter H(u, v) dan F(u, v)...23 Gambar 2.5 Citra Hasil Transformasi Balik dari Citra pada Langkah (3)...23 Gambar 2.6 Citra Hasil Perbaikan Kualitas Citra pada Domain Frekuensi...24 Gambar 2.7 Representasi Kurva Linear Naik...31 Gambar 2.8 Representasi Kurva Linear Turun...32 Gambar 2.9 Representasi Kurva Segitiga...32 Gambar 2.10 Representasi Kurva Trapesium...33 Gambar 2.11 Jaringan Saraf Biologis...35 Gambar 2.12 Model Jaringan Saraf Tiruan Non-Linear...36 Gambar 2.13 Arsitektur Jaringan Lapisan Tunggal...37 Gambar 2.14 Arsitektur Jaringan Lapisan Jamak...38 Gambar 2.15 Fungsi Identitas...39 Gambar 2.16 Fungsi Tangga Biner...40 Gambar 2.17 Fungsi Sigmoid Biner...41 Gambar 2.18 Fungsi Sigmoid Bipolar...41 Gambar 3.1 Arsitektur Model FRBFNN...46 Gambar 3.2 Diagram Alir Pemodelan FRBFNN...73 Gambar 3.3 Pemotongan Citra Radiography N1.jpg...75 Gambar 3.4 Perbaikan Kualitas Citra Radiography N1.jpg...75 Gambar 3.5 Filter Highpass...76 Gambar 3.6 Perbaikan Kualitas Citra Radiography N1.jpg dengan Filter High Frequency Emphasis...76 Gambar 3.7 Perbaikan Kualitas Citra Radiography N1.jpg dengan Histogram Equalization...76 Gambar 3.8 Perbedaan MSE Data Training pada Model RBFNN...88 xiv

15 Gambar 3.9 Perbedaan MSE Data Testing pada Model RBFNN...88 Gambar 3.10 Perbedaan MSE Data Training pada Model FRBFNN...91 Gambar 3.11 Perbedaan MSE Data Testing pada Model FRBFNN...91 Gambar 3.12 Arsitektur Jaringan Optimum Model FRBFNN...93 xv

16 DAFTAR LAMPIRAN Lampiran 1. Citra Radiography Paru-Paru tanpa Preprocessing dan dengan Preprocessing Lampiran 2. Script m-file Ekstraksi Fitur Citra dengan Preprocessing Lampiran 3. Hasil Ekstraksi Fitur Citra Radiography Paru-Paru dengan Preprocessing Lampiran 4. Data Training Citra Radiography Paru-Paru dengan Preprocessing Lampiran 5. Data Testing Citra Radiography Paru-Paru dengan Preprocessing Lampiran 6. Derajat Keanggotaan untuk Data Training Citra Radiography Paru- Paru dengan Preprocessing Lampiran 7. Derajat Keanggotaan untuk Data Testing Citra Radiography Paru- Paru dengan Preprocessing Lampiran 8. Nilai Pusat dan Jarak Maksimum 7 Cluster Lampiran 9. Script Matlab Model FRBFNN Metode Global Ridge Regression Lampiran 10. Script Matlab Model FRBFNN Metode Algoritma Backpropagation Lampiran 11. Hasil Fungsi Aktivasi Gaussian untuk Data Training Lampiran 12. Hasil Fungsi Aktivasi Gaussian untuk Data Testing Lampiran 13. Hasil Output Model FRBFNN Lampiran 14. Bobot Hasil Pembelajaran Metode Algoritma Backpropagation Lampiran 15. Script m-file rbfdesign Lampiran 16. Script m-file globalridge Lampiran 17. Script m-file GLCM_Features4 untuk Ekstraksi Fitur pada Citra xvi

17 DAFTAR SIMBOL x i i μ li (x i ) l φ j w j : Variabel input fitur ke-i. : 1, 2, 3,..., p. : Derajat keanggotaan himpunan fuzzy ke-l dari variabel input ke-i. : 1,2,3,, q. : Fungsi aktivasi ke-j. : Bobot dari neuron ke-j pada lapisan tersembunyi menuju neuron pada lapisan output. j w 0 y k y k k c (li)j r j m n p q d(a, B) f(x, y) F(u, v) R(u, v) I(u, v) F(u, v) (u, v) P(u,v) H hp (u, v) : 1, 2, 3,..., m. : Bobot bias pada lapisan tersembunyi menuju neuron pada lapisan output. : Hasil variabel output dari data ke-k. : Target variabel output dari data ke-k. : 1, 2, 3,..., n. : nilai pusat cluster ke-j. : jarak maksimum pada cluster ke-j. : Jumlah neuron pada lapisan tersembunyi. : Jumlah data pengamatan. : Jumlah neuron pada lapisan input fitur. : Banyak himpunan fuzzy. : Jarak Euclidean antara titik A dan B. : Fungsi diskrit citra digital. : Fungsi diskrit transformasi fourier 2 dimensi. : Komponen real dari F(u, v). : Komponen imaginer dari F(u, v). : Spektrum Transformasi Fourier. : Sudut Fase Transformasi Fourier. : Power spektrum Transformasi Fourier. : Fungsi filter Highpass. xvii

18 H lp (u, v) H bt (u, v) D 0 D(u, v) H hfe (u, v) P ij N g : Fungsi filter Lowpass. : Fungsi filter Butterworth Highpass. : Cut-off frekuensi pada suatu filter Butterworth Highpass. : Jarak sembarang titik (u,v) ke titik origin F(0,0). : Fungsi filter High Frequency Emphasis. : Entri pada GLCM baris ke-i dan kolom ke-j. : Banyak tingkat keabuan pada suatu citra. N g N g. i=1 j=1 μ x : Rata-rata dari ip(i, j) N g N g. i=1 j=1 μ y : Rata-rata dari jp(i, j) N g i=1 N g j=1 σ x : Simpangan baku dari (i μ x ) 2 P(i, j). N σ y : Simpangan baku dari g N g (j μ y ) 2 P(i, j). i=1 j=1 xviii