KLASIFIKASI KANKER SERVIKS MENGGUNAKAN MODEL BACKPROPAGATION NEURAL NETWORK DAN PREPROCESSING CITRA DENGAN OPERASI SPASIAL

Transkripsi

1 KLASIFIKASI KANKER SERVIKS MENGGUNAKAN MODEL BACKPROPAGATION NEURAL NETWORK DAN PREPROCESSING CITRA DENGAN OPERASI SPASIAL SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta untuk Memenuhi Sebagian Persyaratan Guna Memperoleh Gelar Sarjana Sains Oleh Marwah Masruroh NIM PROGRAM STUDI MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI YOGYAKARTA 2016 i

2

3

4

5 MOTTO Bertakwalah kepada Allah dan Allah akan Mengajarmu, sesungguhnya Allah Maha Mengetahui segala sesuatu (QS. Al-Baqarah: 282) Do something everyday that brings you closer to your goals (Indah Nada Puspita) Keluargamu adalah salah satu alasan bagi kerja kerasmu, maka janganlah sampai engkau menelantarkan mereka karena kerja kerasmu v

6 PERSEMBAHAN Alhamdulillahirrabil alamin, dengan memanjatkan puji syukur kehadirat Allah SWT, karya sederhana ini saya persembahkan kepada: Bapak Slamet Mustakim dan ibu Khuza iyah, dua orang hebat yang senantiasa mendoakan, menyayangi, dan memberikanku motivasi tanpa henti. Semoga ridho kalian akan menjadi jalan kemudahan bagiku. Semua dosen dan guru yang telah berbagi ilmu dan petuah yang luar biasa. Semoga menjadi ilmu yang bermanfaat dunia dan akhirat. Amin. Ketujuh kakak dan adik semata wayangku yang saling mengajarkan arti keluarga dan kebersamaan. Sahabat sahabatku tersayang, Neswin, Kiki, Meilia, Cacha, Dinar, Puji, Yanti, Una, Sifa, Zuni dan Dhepi yang telah menjadi keluarga baruku di tanah jogja. Bahagia bisa mengenal dan menjadi bagian dari kalian. Dina Imanda, Elistiyani, Fariza Dyah, Asmida Ulfa, dan Mutiara Lailia. Sahabat dari kampung tercinta yang tengah menata hidup dan mengejar mimpinya masing-masing. Teman-teman MATSWA 2012 yang telah memberi banyak kisah selama 4 tahun ini. Sukses ya buat kita semua. Semua sahabat yang telah menemaniku, menjadi tempatku berbagi kisah dan berkeluh kesah, juga menjadi inspirasiku dengan segala kehebatan kalian. vi

7 KLASIFIKASI KANKER SERVIKS MENGGUNAKAN MODEL BACKPROPAGATION NEURAL NETWORK DAN PREPROCESSING CITRA DENGAN OPERASI SPASIAL Oleh: Marwah Maruroh ABSTRAK Deteksi dini dan diagnosa untuk mengetahui kemungkinan adanya kanker serviks pada wanita perlu dilakukan untuk menekan angka kematian yang disebabkan kanker serviks. Salah satu model klasifikasi yang dapat digunakan untuk proses diagnosa kanker serviks adalah neural network dengan algoritma pembelajaran backpropagation. Penelitian ini bertujuan untuk menjelaskan prosedur, hasil penerapan, serta tingkat ketepatan model Backpropagation Neural Network (BPNN) untuk klasifikasi kanker serviks dengan operasi spasial menggunakan citra kolposkopi. Prosedur klasifikasi kanker serviks dengan BPNN adalah preprocessing citra, ekstraksi fitur, pendefinisian variabel input dan target jaringan, pembagian data input, normalisasi data, perancangan model terbaik dan denormalisasi data. Preprocessing citra menggunakan operasi spasial dilakukan untuk memperbaiki kualitas citra sebelum digunakan untuk pembelajaran jaringan. Variabel input yang digunakan adalah 13 fitur hasil ekstraksi citra menggunakan metode GLCM, sedangkan target jaringan berupa diagnosa masing-masing foto kolposkopi serviks. Selanjutnya data input dibagi berdasarkan ukuran komposisi data 80% data training dan 20% data testing. Proses normalisasi data perlu dilakukan sebelum pembelajaran agar terjadi sinkronisasi data. Perancangan model terbaik menggunakan algoritma pembelajaran backpropagation dilakukan untuk mendapatkan model terbaik dengan akurasi tertinggi. Perancangan model terbaik dilakukan dengan menentukan banyaknya neuron pada lapisan tersembunyi yang sesuai. Output pembelajaran yang diperoleh kemudian didenormalisasi untuk mengembalikan nilai output ke bentuk aslinya. Penelitian ini menggunakan fungsi aktivasi sigmoid bipolar pada lapisan tersembunyi dan fungsi linear pada lapisan output, serta menggunakan fungsi pembelajaran jaringan traingdx. Model BPNN terbaik yang diperoleh untuk klasifikasi kanker serviks dengan menggunakan software Matlab adalah dengan 13 neuron input, satu lapisan tersembunyi dengan 10 neuron dan 1 neuron output. Tingkat ketepatan model BPNN terbaik diukur melalui nilai sensitivitas, spesifisitas, dan akurasi. Berdasarkan model terbaik, diperoleh ketiga nilai statistik tersebut secara berurutan adalah 100%, 100%, dan 100% untuk data training serta 100%, 100%, dan 88,24% untuk data testing. Kata Kunci : citra kolposkopi, neural network, backpropagation, klasifikasi kanker serviks, operasi spasial, Matlab. vii

8 KATA PENGANTAR Alhamdulillahirobbil alamin, puji syukur penulis panjatkan kepada Allah SWT atas segala nikmat dan karunia yang diberikan kepada penulis, serta ucapan terima kasih kepada Ibu Dr. Dhoriva Urwatul Wustqa selaku dosen pembimbing yang telah banyak memberikan bimbingan, masukan, serta arahan sehingga penulis dapat menyelesaikan tugas akhir skripsi ini. Skripsi yang berjudul Klasifikasi Kanker Serviks Menggunakan Model Neural Network Backpropagation dan Preprocessing Citra dengan Operasi Spasial disusun untuk memenuhi salah satu syarat kelulusan guna meraih gelar Sarjana Sains pada Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta. Dalam proses penyusunan skripsi ini, banyak pihak yang telah membantu serta membimbing penulis sehingga skripsi ini dapat diselesaikan dengan baik. Penulis mengucapkan terimakasih kepada: 1. Bapak Dr. Hartono, selaku Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta yang telah memberikan kelancaran pelayanan dalam urusan akademik di tingkat fakultas. 2. Bapak Dr. Ali Mahmudi, selaku Ketua Jurusan Pendidikan Matematika Universitas Negeri Yogyakarta yang telah memberikan kelancaran pelayanan dalam urusan akademik di tingkat jurusan. viii

9

10 DAFTAR ISI PERSETUJUAN... HALAMAN PENGESAHAN... HALAMAN PERNYATAAN... MOTTO... PERSEMBAHAN... ABSTRAK... ii iii iv v vi vii KATA PENGANTAR... viii DAFTAR ISI... x DAFTAR TABEL... xiii DAFTAR GAMBAR... xiv DAFTAR SIMBOL... xv DAFTAR LAMPIRAN... xviii BAB I PENDAHULUAN... 1 A. Latar Belakang... 1 B. Pembatasan Masalah C. Rumusan Masalah D. Tujuan Penelitian E. Manfaat Penelitian BAB II KAJIAN PUSTAKA A. Kanker Serviks Penyebab Kanker Serviks x

11 2. Gejala Kanker Serviks Deteksi Dini Kanker Serviks Stadium Kanker Serviks B. Citra Digital C. Preprocessing Citra Operasi Titik Operasi Spasial Operasi Transformasi D. Ekstraksi Fitur E. Neural Network Fungsi Aktivasi Arsitektur Jaringan Algoritma Pembelajaran F. Algoritma Backpropagation G. Ketepatan Hasil Klasifikasi BAB III PEMBAHASAN A. Arsitektur dan Model Backpropagation Neural Network dengan Preprocessing untuk Klasifikasi Kanker Serviks Arsitektur Backpropagation Neural Network Model Backpropagation Neural Network B. Prosedur Model Backpropagation Neural Network dengan Preprocessing untuk Klasifikasi Kanker Serviks C. Hasil Model Backpropagation Neural Network dengan xi

12 Preprocessing untuk Klasifikasi Kanker Serviks D. Ketepatan Klasifikasi Ketepatan Klasifikasi Data Training Ketepatan Klasifikasi Data Testing BAB IV PENUTUP A. Kesimpulan B. Saran DAFTAR PUSTAKA LAMPIRAN xii

13 DAFTAR TABEL Tabel 2.1 Hasil Klasifikasi Tabel 3.1 Hasil Ekstraksi Citra N-1T.jpg Tabel 3.2 Hasil Normalisasi Data Citra N-1T.jpg Tabel 3.3 Penentuan Banyaknya Neuron pada Lapisan Tersembunyi Tabel 3.4 Perhitungan Manual dan untuk Citra N-1T.jpg Tabel 3.5 Hasil Klasifikasi Model BPNN untuk Data Training Tabel 3.6 Performance Measure Model BPNN untuk Data Training Tabel 3.7 Hasil Klasifikasi Model BPNN untuk Data Testing Tabel 3.8 Performance Measure Model BPNN untuk Data Testing xiii

14 DAFTAR GAMBAR Gambar 2.1 Operasi Titik Gambar 2.2 Operasi Spasial Gambar 2.3 Penghilangan Derau (Noise) dengan Filter Median Gambar 2.4 Hasil Noise, Grayscale dan Filter Median pada Citra Gambar 2.5 Fungsi Identitas Gambar 2.6 Fungsi Undak Biner Gambar 2.7 Fungsi Bipolar Gambar 2.8 Arsitektur NN Layar Tunggal Gambar 2.9 Arsitektur NN Layar Jamak Gambar 2.10 Arsitektur NN Layar Kompetitif Gambar 3.1 Arsitektur Jaringan Backpropagation Gambar 3.2 (a) Citra Kolposkopi Serviks Tipe Rgb, (b) Citra Kolposkopi Serviks Tipe Grayscale, (c) Citra Kolposkopi Serviks Hasil Operasi Spasial Gambar 3.3 Prosedur Pemodelan BPNN Gambar 3.4 Citra Kolposkopi (a) N-1T.jpg Asli, (b) N-1T.jpg Grayscale, (c) N-1T.jpg Hasil Operasi Spasial xiv

15 DAFTAR SIMBOL ( ) : citra atau fungsi kontinu dari intensitas cahaya pada bidang dan ( ) : citra A ( ) : citra B ( ) : himpunan piksel-piksel yang berada disekitar ( ) : operasi titik yang dapat berupa operasi linear maupun non linear : operasi spasial : banyaknya tingkat keabuan dari citra ( ) : peluang tingkat keabuan citra pada baris ke- dan kolom ke- dalam GLCM : nilai rata-rata ( ) : nilai rata-rata elemen kolom ( ) pada citra : nilai rata-rata elemen baris ( ) pada citra : standar deviasi elemen kolom ( ) pada citra : standar deviasi elemen baris ( ) pada citra ( ) : jumlah ( ), dengan ( ) : jumlah ( ), dengan : banyaknya neuron input atau variabel input : banyaknya neuron pada lapisan tersembunyi : banyaknya neuron pada lapisan output : variabel input, dengan : neuron-neuron pada lapisan tersembunyi, dengan xv

16 : nilai output : bobot-bobot yang menghubungkan neuron input ke-i menuju neuron ke-j pada lapisan tersembunyi : bobot dari neuron ke-j pada lapisan tersembunyi yang menuju lapisan output, dengan : bobot bias yang menuju neuron ke-j pada lapisan tersembunyi, dengan : bobot bias yang menuju neuron pada lapisan output : error : unit error yang akan dipakai dalam perubahan bobot lapisan tersembunyi : unit error yang akan dipakai dalam perubahan bobot lapisan input : target output (output yang diinginkan) : laju pembelajaran : banyaknya data : nilai data ke-q yang telah dinormalisasi, dengan : nilai data ke-q, dengan : nilai rata-rata data : nilai standar deviasi data P T Pn : matriks data input : matriks data target : matriks data input yang ternormalisasi xvi

17 Tn Meanp Stdp Meant Stdt Pc Qn : matriks data target yang ternormalisasi : rata-rata pada matriks data input asli :standar deviasi pada matriks data input asli :rata-rata pada matriks target asli :standar deviasi pada matriks target asli : matriks input testing : matriks input testing yang ternormalisasi PR : matriks berukuran yang berisi nilai minimum dan maksimum data pada setiap variabel input : banyak lapisan jaringan S h TF h BTF : banyak neuron pada lapisan ke-h, dengan : fungsi aktivasi pada lapisan ke-h, dengan : fungsi pembelajaran jaringan backpropagation xvii

18 DAFTAR LAMPIRAN Lampiran 1 Citra Kolposkopi Serviks Lampiran 2 M-file Matlab untuk Operasi Spasial dan Ekstraksi Fitur menggunakan GLCM Lampiran 3 Hasil Ekstraksi Citra Kolposkopi Lampiran 4 Hasil Ekstraksi Citra Kolposkopi pada Data Training Lampiran 5 Hasil Ekstraksi Citra Kolposkopi pada Data Testing Lampiran 6 Normalisasi Data Training Lampiran 7 Normalisasi Data Testing Lampiran 8 M-file Pembelajaran Backpropagation Neural Network Lampiran 9 Nilai Bobot dan Bias Terbaik Hasil Pembelajaran Backpropagation Lampiran 10 Target, Output dan Error Pembelajaran Backpropagation Neural Network untuk Klasifikasi Stadium Kanker Serviks xviii