BABI PENDAHULUAN. 1.1 Latar Belakang

Transkripsi

1 BABI PENDAHULUAN 1.1 Latar Belakang Kanker payudara adalah jenis kanker yang dimulai pada sel-sel payudara sebagai sekelompok sel kanker, yang kemudian dapat menyerang jaringan di sekitarnya atau menyebar ( matastasis) ke area lain dari tubuh [1]. Kanker payudara merupakan jenis kanker yang paling banyak diderita oleh wanita di negara maju dan berkembang. Menurut Global Health Estimates, WHO 2013 memperkirakan terdapat kematian wanita di dunia yang disebabkan oleh kanker payudara, dan hampir 50% dari kasus kanker payudara, 58% kematian diantaranya terjadi di negara berkembang, dimana Indonesia termasuk salah satu diantaranya [2]. Menurut Kementrian Kesehatan Republik Indonesia 2013 kanker payudara dan kanker serviks merupakan jenis kanker yang paling sering dijumpai pada perempuan di Indonesia dewasa ini. Sampai dengan tahun 2012 dari perempuan yang telah di-screening lebih dari merupakan suspect kanker payudara [3]. Untuk mencegah meningkatnya kematian yang disebabkan oleh kanker payudara deteksi dini sangat diperlukan. Deteksi dini memungkinkan kanker payudara dapat didiagnosis lebih awal sebelum kanker berkembang dan menyebar ke area lain di dalam tubuh. Faktor penting dalam tindakan pengobatan kanker payudara adalah mengetahui ukuran kanker payudara dan seberapa jauh kanker telah menyebar [4]. Menurut WHO dengan melakukan deteksi dini dapat menyelamatkan 12 sampai 37 jiwa perhari [5]. Berbagai metode dapat dilakukan untuk screening pada kanker payudara seperti pengetahuan mengenai gejala abnormal pada payudara sendiri atau melakukan beberapa pemerikasaan medis di antaranya: Clinical Breast Examination (Pemeriksaan Klinis Payudara), Mamografi, Magnetic Resonance Imaging (MRI), Termografi Payudara, Ultrasonografi (USG) dan Fine Needle 1

2 Aspiration Cytology (FNAC) [6]. FNAC merupakan metode screening yang banyak dilakukan sebagai tes pra-operasi untuk mengevaluasi benjolan pada payudara. Metode FNAC lebih efektif karena dapat mencegah tindakan operasi yang tidak perlu [7]. Namun metode FNAC juga memiliki peluang untuk menghasilkan diagnosis false negative, meskipun dalam pendeteksian kanker payudara FNAC memiliki tingkat sensitivitas dan spesifisitas sekitar 90%, namun masih terdapat 10% kesalahan diagnosis bisa terjadi [7]. Kedepannya, dibutuhkan pengembangan teknik diagnostik yang lebih baik untuk meningkatkan keakuratan diagnosis kanker payudara. Teknik machine learning diperkenalkan untuk membantu meningkatkan kemampuan diagnostik dalam berbagai bidang penelitian, termasuk dalam bidang kesehatan. Dengan bantuan sistem diagnostik secara otomatis, kemungkinan kesalahan diagnosis dapat dihindari, dan data medis dapat diperiksa dalam kurun waktu yang singkat serta lebih rinci [8]. Namun, data medis dengan jumlah yang besar dan berdimensi tinggi akan memberikan efek negatif terhadap proses analisis. Untuk menangani hal tersebut, mereduksi fitur menjadi hal yang sangat penting. Pengurangan fitur dapat menghindari over-fitting, mengurangi kompleksitas analisis dan meningkatkan kinerja analisis data [9]. Fitur yang besar akan membuat tugas klasifikasi menjadi kompleks, karena classifier akan menghabiskan banyak waktu untuk mengklasifikasikan dataset. Efisiensi akan dicapai jika klasifikasi hanya menganalisis fitur penting atau fitur yang diperlukan saja, fitur yang tidak relevan akan membuat proses klasifikasi menjadi jauh lebih sulit. Review pengaruh seleksi fitur terhadap peningkatan performa klasifikasi telah dilakukan [10]. Hasil menunjukkan peningkatan akurasi yang signifikan dibandingkan klasifikasi tanpa penerapan seleksi fitur. Beberapa penelitian menunjukkan peningkatan performa klasifikasi pada dignosis kanker payudara dengan penerapan metode seleksi fitur. Metode seleksi rough set dan klasifikasi SVM telah diterapkan pada diagnosis kanker payudara [11]. Metode yang diusulkan memperoleh akurasi tertinggi sebesar 100% dengan rata-rata akurasi dari 1000 kali percobaan sebesar 96,87%. Kemudian sebuah 2

3 seleksi fitur berbasis statistik juga diusulkan pada diagnosis kanker payudara [8]. Penelitian tersebut menerapkan seleksi fitur F-score dan klasifikasi SVM pada kasus diagnosis kanker payudara, dengan capaian akurasi sebesar 99,51%. Setiap seleksi fitur memiliki mekanisme kerja yang berbeda, ada seleksi fitur yang bersifat ranker, wrapper ataupun embedded method [12]. Metode ranker bekerja dengan cara melakukan komputasi skor tiap fitur pada tahap preproses dan kemudian memilih fitur berdasarkan skor tersebut. Metode wrapper bekerja secara black box untuk melakukan penyekoran pada tiap subset fitur. Sedangkan metode embedded melakukan seleksi fitur dalam proses pelatihan algoritme [12]. Setiap metode memiliki kelebihan dan kelemahan tersendiri dalam memilih fitur optimal, setiap metode dapat menunjukkan performa yang berbeda baik pada kasus yang sama ataupun berbeda. Salah satu usaha untuk mengambil keunggulan serta mengurangi kelemahan masing-masing metode seleksi fitur adalah dengan melakukan pengombinasian. Penelitian [13] melakukan pengombinasian beberapa metode seleksi fitur dengan klasifikasi SVM. Metode yang diusulkan berhasil menurunkan balanced error rate. Seleksi fitur rough set dan F-score sendiri memiliki kelebihan dan kekurangan dalam kemampuannya mencari fitur optimal. Seperti F-score yang memiliki tingkat subjektivitas tinggi dalam pemilihan fitur, sementara rough set bekerja mencari fitur optimal tanpa kontrol manusia. Kedua seleksi fitur F-score dan rough set memiliki kemampuan yang cukup baik ketika diteterapkan secara individual, namun perlu adanya peningkatan performa seleksi fitur dalam memilih fitur optimal dengan mengatasi kekurangan yang dimilikinya masing-masing. 3

4 1.2 Perumusan Masalah Berdasar latar belakang masalah, maka permasalahan dapat dirumuskan sebagai berikut. 1. Kemampuan kombinasi F-score dan rough set sebagai seleksi fitur belum diketahui padahal kemampuan masing-masing seleksi fitur secara individu sangat baik. 2. Belum adanya metode untuk mengombinasikan F-score dan rough set sebagai seleksi fitur. 3. Belum diketahui performa klasifikasi SVM terhadap fitur hasil seleksi metode kombinasi F-score dan rough set. 1.3 Keaslian Penelitian Kanker payudara merupakan objek penelitian yang sangat populer digunakan dalam bidang machine learning. Beberapa penelitian mengenai diagnosis kanker payudara telah diusulkan oleh banyak peneliti. Metode genetic algorithm dan Fuzzy (GA_Fuzzy) diusulkan untuk mendiagnosis kanker payudara [14]. Metode klasifikasi J48, MLP, naive bayes, SMO, IBK dan seleksi fitur PCA diterapkan pada tiga database kanker payudara yang berbeda [15]. Penerapan radial basis function kernel dan quadratic kernel pada metode klasifikasi SVM [16]. Bckpropagation neural network diterapkan dengan tujuan membandingkan performa klasifikasi pada kasus kanker payudara dengan neuron yang berbeda [17]. Dimensi fitur yang besar merupakan isu penting yang menjadi fokus di banyak penelitian dalam usaha meningkatkan performa klasifikasi pada kasus kanker payudara. ANN dan seleksi fitur berbasis PCA telah diterapkan pada diagnosis kanker payudara [18]. Metode unsupervised feature selection, supervised feature selection dan rough set diujicobakan untuk memilih fitur yang paling optimal [19]. Metode seleksi fitur rough set kembali diterapkan dengan decision rule, naive bayes, dan K-nearest neighbor sebagai teknik klasifikasi serta equal bigning, entropy and boolean reasoning sebagai distinct discretization 4

5 techniques [20]. Klasifikasi SVM dan seleksi fitur rough set dan F-score masing-masing telah diterapkan untuk mendiagnosis kaker payudara [21][8][11]. Hasil menunjukkan peningkatan performa klasifikasi yang signifikan. Berdasarkan beberapa penelitian yang telah dipaparkan, penelitian ini mencoba menerapkan kombinasi seleksi fitur F-score dan rough set dan teknik klasifikasi SVM pada kasus diagnosis kanker payudara. 1.4 Tujuan Penelitian Tujuan diadakannya penelitian ini adalah mengimplementasikan kombinasi seleksi fitur sebagai solusi peningkatan keakuratan diagnosis pada kasus kanker payudara. Dalam rangka mencapai tujuan tersebut, ada beberapa tujuan yang harus dicapai terlebih dahulu antara lain sebagai berikut. 1. Mengombinasikan F-score dan rough set sebagai seleksi fitur untuk meningkatkan performa klasifikasi kanker payudara. 2. Mengevaluasi performa klasifikasi SVM terhadap subset fitur hasil seleksi metode kombinasi F-score dan rough set. 1.5 Manfaat Penelitian Manfaat dilakukannya penelitian ini adalah untuk meningkatkan keakuratan performa diagnosis kanker payudara dengan menerapkan metode kombinasi seleksi fitur dan klasifikasi SVM. Selain itu Penelitian ini mengembangkan sebuah diagnosis otomatis berbasis komputer yang memebantu memudahkan para ahli medis untuk meningkatkan keakuratan dan kecepatan analisis data medis. dengan adanya metode ini kasus kanker payudara dapat didiagnosis lebih awal sehingga tindakan prognosis dapat dilakukan. Pada akhirnya dapat menurunkan angka kematian yang disebabkan oleh kanker payudara, karena pengobatan kanker payudara sangat bergantung pada diagnosis awal. 5