BAB I PENDAHULUAN. Kanker adalah pertumbuhan yang tidak normal dari sel-sel jaringan tubuh

Transkripsi

1 BAB I PENDAHULUAN A. Latar Belakang Kanker adalah pertumbuhan yang tidak normal dari sel-sel jaringan tubuh dan bersifat ganas. Sel-sel tersebut dapat tumbuh lebih lanjut serta menyebar ke bagian tubuh lainnya serta dapat menyebabkan kematian. Sel kanker tidak mati setelah usianya cukup melainkan tumbuh terus dan bersifat menyerang sehingga sel tubuh yang normal dapat terdesak atau mati (Pusat Data dan Informasi Kementerian Kesehatan RI, 2016). Kanker menjadi penyebab kematian nomor 2 di dunia yaitu sebesar 13% (WHO, 2016). Berdasarkan data GLOBOCAN, International Agency for Research on Cancer (IARC) pada tahun 2008 sampai tahun 2012 terdapat 14,1 juta kasus kanker baru, 8,2 juta kematian akibat kanker dan 32,6 juta orang yang hidup dengan kanker. Sedangkan menurut National Cancer Institute pada tahun 2016, diperkirakan terdapat sebanyak kasus baru untuk penderita kanker di seluruh dunia dan diperkirakan sebanyak orang meninggal akibat kanker. Ancaman kanker di dunia semakin meningkat seiring dengan perubahan pola hidup masyarakat. Menurut Organisasi Penanggulangan Kanker Dunia dan Badan Kesehatan Dunia, diperkirakan terjadi peningkatan kejadian kanker di dunia 300 persen pada tahun 2030 dan mayoritas terjadi di negara-negara berkembang termasuk Indonesia. Salah satu jenis kanker yaitu kanker payudara menjadi jenis kanker yang sangat menakutkan bagi wanita di seluruh dunia termasuk di Indonesia. Menurut American Cancer Society, kanker payudara adalah tumor ganas yang terbentuk 1

2 dari sel-sel di payudara yang mulai tumbuh di luar kendali. Sel-sel ini biasanya berbentuk benjolan. Tumor ganas (kanker) terjadi jika sel-sel dapat tumbuh (menyerang) sekitar jaringan atau menyebar (bermetastasis) ke daerah-daerah yang jauh dari tubuh. Sel di hampir setiap bagian dari tubuh dapat menjadi kanker dan dapat menyebar ke area lain dari tubuh. Kanker payudara terjadi hampir seluruhnya pada wanita, tetapi pria juga dapat mengalaminya. Kanker payudara pada pria lebih jarang terjadi daripada kanker payudara pada wanita. Perbandingannya yaitu 1 dari 150 kasus kanker payudara. (Gejala dan Tanda dalam Kedokteran Klinis, 2012: 337). Kanker payudara adalah kanker paling umum kedua di dunia dan merupakan kanker yang paling sering terjadi pada perempuan dengan perkiraan 1,67 juta kasus kanker baru yang didiagnosis pada tahun 2012 atau 25% dari semua jenis kanker (GLOBOCAN IARC, 2012). American Cancer Society memperkirakan pada tahun 2017 di U.S Amerika terjadi sebanyak kasus kanker baru yang didiagnosa pada perempuan dan sebanyak kasus kematian yang diperkirakan akan terjadi akibat kanker payudara. Sedangkan di Indonesia sendiri penyakit kanker serviks dan kanker payudara merupakan penyakit kanker dengan prevalensi tertinggi di Indonesia pada tahun 2013, yaitu kanker serviks sebesar 0,8 % atau sekitar penderita dan kanker payudara sebesar 0,5% atau sekitar penderita. Berdasarkan data di RS Kanker Dharmis Jakarta dari 10 jenis kanker, kanker payudara menduduki urutan pertama dalam 10 tahun terakhir sampai tahun Bahkan terjadi peningkatan setiap 2

3 tahunnya, proporsi kanker payudara sekitar 40% dari seluruh kasus kanker di rumah sakit tersebut (Kementerian Kesehatan RI, 2016). Masalah terbesar dalam penanggulangan kanker saat ini adalah banyaknya informasi yang kurang dapat dipertanggungjawabkan tersebar di masyarakat sehingga pasien tidak melakukan pengobatan secara benar dan baru datang ke fasilitas pelayanan kesehatan setelah terlambat ditangani (Kementerian Kesehatan RI, 2016). Oleh karena itu, pengenalan kanker merupakan hal yang paling penting untuk dilakukan guna meningkatkan kewaspadaan dan pengetahuan mengenai kanker payudara, serta menggerakkan individu untuk melakukan upaya pencegahan, deteksi dini dan pengobatan terhadap kanker payudara, sehingga resiko terkena kanker payudara dapat dikurangi. Deteksi dini kanker payudara memegang peranan penting dalam mengantisipasi penyebaran kanker. Dengan deteksi dini, timbulnya sel-sel kanker dapat segera diatasi dan dicegah penyebarannya. Kanker payudara dapat dideteksi salah satunya melalui diagnosis dari massa payudara dengan menggunakan beberapa metode diantaranya yaitu fine-needle aspiration (FNA) biopsy, core needle biopsy, atau excisional biopsy. FNA adalah cara termudah dan tercepat untuk mendapatkan biopsi payudara dan efektif bagi wanita yang memiliki kista berisi cairan. FNA menggunakan jarum yang lebih kecil dari yang digunakan untuk tes darah untuk mengeluarkan cairan, sel, dan fragmen kecil jaringan untuk diteliti di bawah mikroskop (Shahura dkk, 2016: 136). Penggunaan FNA dalam mendeteksi kanker payudara salah satunya dilakukan oleh University of Wisconsin Hospital. Wisconsin Breast Cancer Database (WBCD) dan Wisconsin Diagnostic 3

4 Breast Cancer (WDBC) merupakan data set yang diperoleh dari hasil FNA biopsi payudara dari pasien di University of Wisconsin Hospitals. Berdasarkan hasil sampel FNA yang diambil, ditetapkan sembilan parameter berdasarkan karakteristik sel, yaitu clump thickness, uniformity of cell size, uniformity of cell shape, marginal adhesion, single epithelial cell size, bare nuclei, bland chromatin, normal nucleoli dan mitoses. Kesembilan parameter tersebut merupakan isi dari data set Wisconsin Breast Cancer Database (WBCD). Sedangkan untuk data Wisconsin Diagnostic Breast Cancer (WDBC) diperoleh dari karakteristik inti sel dari sebuah gambar digital massa payudara, sehingga berdasarkan hasil sampel FNA yang telah diambil diperoleh sepuluh parameter untuk data WDBC, yaitu radius, texture, perimeter, area, compactness, smoothness, concavity, concave points, symmetry dan fractal dimension. Kedua jenis data tersebut mengklasifikasikan tumor payudara menjadi dua kelas, yaitu tumor jinak (benign) dan tumor ganas (malignant) (Salama et al, 2012: 36-38). Penelitian-penelitian yang menggunakan data Wisconsin untuk klasifikasi kanker payudara diantaranya dilakukan oleh Salama, Abdelhelim dan Zeid (2012) yang melakukan klasifikasi kanker payudara dengan menggunakan 3 jenis data yang berbeda yang diperoleh dari University of Wisconsin Hospital yaitu Wisconsin Breast Cancer Database (WBCD), Wisconsin Diagnostic Breast Cancer (WDBC) serta Wisconsin Prognostic Breast Cancer (WPBC). Tujuan dari penelitian tersebut untuk membandingkan beberapa metode klasifikasi, yaitu metode Naïve Bayes, Multi Layer Perceptron (MLP), algoritma J48, metode Support Vector Machine (SVM) dan metode K Nearest Neighbour (KNN) dimana 4

5 masing-masing metode tersebut diterapkan pada ketiga jenis data Wisconsin yang berbeda. Klasifikasi kanker payudara perlu dilakukan untuk menelusuri sebaran dan karakteristik hasil pemeriksaan diagnosa. Klasifikasi dapat diselesaikan dengan teknik-teknik pendekatan secara fungsional yang dikenal dengan istilah soft computing. Soft computing merupakan suatu model pendekatan untuk melakukan komputasi dengan meniru kemampuan akal manusia yang luar biasa untuk menalar dan belajar pada lingkungan yang memiliki ketidakpastian dan ketidaktepatan (Jang et al, 1997). Beberapa teknik dalam soft computing antara lain sistem fuzzy, Artificial Neural Network (ANN), algoritma evolusioner, dan probabilistic reasoning. Salah satu karakteristik dari soft computing yaitu model komputasi yang berbasis biologis yang mampu menangani permasalahan yang berkaitan dengan persepsi, pengenalan pola, regresi non linier dan klasifikasi. Komponen utama pembentuk soft computing adalah neural network dan logika fuzzy (Kusumadewi & Hartati, 2010:1). Neural network adalah generasi baru dari sistem pemrosesan informasi yang sengaja dibangun untuk memanfaatkan beberapa prinsip organisasi yang menjadi karakteristik otak manusia (Lin & Lee, 1996:5). Masing-masing elemen pemrosesan (node) dalam neural network memiliki nilai dari input dimana masing-masing input saling terkoneksi, selanjutnya dilakukan operasi matematika untuk menghasilkan nilai output. Setiap koneksi memiliki bobot terkait yang menentukan efek dari input yang masuk pada tingkat aktivasi dari node. Nilai bobot ditentukan oleh suatu prosedur pembelajaran dari neural network. Masing-masing jenis pembelajaran 5

6 dapat diklasifikasikan lebih lanjut menjadi tiga kategori yaitu, supervised learning, reinforcement learning dan unsupervised learning. Penelitian terkait neural network untuk klasifikasi telah dilakukan, diantaranya oleh Paulin dan Santhakumaran (2010) yang menggunakan metode backpropagation untuk klasifikasi kanker payudara berdasarkan data Wisconsin Breast Cancer (WBC) ke dalam kriteria benign dan malignant dengan tingkat akurasi 99,28%. Sedangkan pada tahun 2015, Apriani membandingkan model Recurrent Neural Network, Fuzzy Sugeno dan Recurrent Neuro Fuzzy untuk klasifikasi stadium kanker payudara dengan menggunakan data citra mamografi. Hasil dari penelitian tersebut diperoleh model Recurrent Neural Network memiliki nilai sensitivitas, spesifisitas dan akurasi yang lebih baik daripada model Fuzzy Sugeno dan Recurrent Neuro Fuzzy. Terdapat juga penelitian dengan menggunakan salah satu pendekatan model neural network yaitu Radial Basis Function (RBF). Radial Basis Function (RBF) adalah tipe khusus dari neural network yang menggunakan radial basis function sebagai fungsi aktivasinya (Santhanam & Subhajini, 2011: 964). Jaringan ini terdiri dari tiga layer yaitu input layer, hidden layer dan output layer. Fungsi aktivasinya adalah fungsi basis dan fungsi linear pada lapisan output. Radial basis function neural network merupakan salah satu jenis dari neural network yang memiliki kelebihan tertentu termasuk kemampuan pendekatan yang lebih baik, jaringan arsitektur sederhana dan algoritma pembelajaran yang lebih cepat. Ide utama jaringan saraf RBF adalah untuk menciptakan jumlah neuron tersembunyi 6

7 yang tepat dan menentukan bobot masing-masing neuron (Zakharov et al, 2014: 714). Penelitian terkait dengan Radial Basis Function (RBF) salah satunya dilakukan oleh Masala, Golosio, dan Pola (2013) yang menggunakan pengklasifikasian dua layer berdasarkan metode Radial Basis Function (RBF) untuk skrining Talasemia. Sedangkan pada tahun 2005, Soelaiman, Purwitasari & Hayati menggunakan metode pengklasifikasian hybrid berbasis Radial Basis Function (RBF) dan pohon keputusan induktif untuk pengembangan sistem pengenalan wajah. Penelitian-penelitian lainnnya terkait Radial Basis Function (RBF) juga dilakukan pada kasus pengklasifikasian dan diagnosa kanker payudara. Diantaranya yaitu penelitian yang dilakukan oleh Kumala (2016) yang membandingkan 2 metode clustering yang berbeda yaitu K Means dan C Means pada model Radial Basis Function Neural Network (RBFNN) untuk klasifikasi stadium kanker payudara. Hasil yang diperoleh dari penelitian tersebut menunjukkan bahwa metode K Means clustering lebih baik dibandingkan C Means dengan nilai sensitivitas, spesifisitas, dan akurasi pada metode K Means clustering secara berurutan adalah 75%, 93,75%, dan 80,21% untuk data training dan 81,25%, 75%, dan 79,17% untuk data testing. Penelitian lain terkait penggunaan metode RBFNN untuk klasifikasi kanker payudara dilakukan oleh Raad, Kalakech dan Ayache pada tahun 2012 yang melakukan klasifikasi kanker payudara dengan menggunakan pendekatan Neural Network: MLP (Multi Layer Perceptron) dan RBF (Radial Basis 7

8 Function). Penelitian tersebut menggunakan data dari Wisconsin Diagnostic and Prognostic Breast Cancer dengan 9 variabel dan menggunakan algoritma pembelajaran backpropagation. Sedangkan output yang dihasilkan terdiri dari 2 kelas, yaitu benign (tumor) dan malignant (kanker). Hasil akurasi yang diperoleh dari penelitian tersebut menunjukkan bahwa metode RBF lebih baik dibandingkan dengan metode MLP. Komponen pembentuk soft computing berikutnya yaitu logika fuzzy. Logika fuzzy digunakan sebagai suatu cara untuk memetakan permasalahan dari input menuju ke output yang diharapkan (Kusumadewi & Purnomo, 2010). Menurut Roujas (1996), logika fuzzy dapat dikonseptualisasikan sebagai generalisasi dari logika klasik dimana metode-metode pada logika fuzzy dapat digunakan untuk memberikan interprestasi dari suatu nilai output pada unit yang tidak terbatas dari 0 sampai 1. Fuzzy Neural Network (FNN) merupakan salah satu gabungan sistem fuzzy dengan ANN. Artificial Neural Network (ANN) adalah sistem informasi pengolahan yang memiliki karakteristik kinerja yang sama dengan jaringan saraf biologis. ANN telah dikembangkan sebagai generalisasi model matematika berdasarkan asumsi bahwa pengolahan informasi terjadi pada banyak elemen sederhana yang disebut neuron (Fausett, 1993:3). Model FNN merupakan arsitektur jaringan yang dirancang untuk memroses data-data fuzzy. Pada FNN, parameter-parameter yang dimiliki ANN yang biasanya disajikan secara crisp, dapat diganti dengan parameter-parameter fuzzy (Lin & Lee, 1996:609). Model 8

9 FNN sering digunakan untuk sistem kendali, penyelesaian masalah prediksi yang bersifat runtun waktu, dan klasifikasi pola. Penelitian-penelitian sebelumnya yang menggunakan FNN telah dilakukan antara lain penelitian oleh Rahmawati (2016) menggunakan Fuzzy Neural Network (FNN) dengan model Feedforward Neural Network dengan input berupa variabel-variabel fuzzy dan output berupa klasifikasi stadium kanker kolorektal. Penelitian lainnya dilakukan oleh Mohammed (2014) dengan mengkombinasikan metode fuzzy logic system dan fuzzy neural network (FNN) pada sistem kesalahan diagnosa. Seiring dengan perkembangan kemampuan intelektual manusia untuk menciptakan penelitian baru dan mengembangkan penelitian-penelitian terdahulu agar dapat memperoleh hasil yang lebih akurat, maka munculah berbagai macam metode dan penelitian baru terkait klasifikasi stadium kanker payudara yaitu metode Fuzzy Radial Basis Function Neural Network (FRBFNN). Fuzzy Radial Basis Function Neural Network (FRBFNN) merupakan gabungan dari sistem fuzzy, Radial Basis Function (RBF) dan Neural Network (NN). Fuzzy Radial Basis Function Neural Network (FRBFNN) adalah model RBFNN dengan input berupa himpunan fuzzy. Konsep dasar dari model Fuzzy Radial Basis Function Neural Network (FRBFNN) ini adalah penerapan aplikasi teori fuzzy ke dalam model dasar Radial Basis Function (RBF). Langkah tersebut dimaksudkan untuk dapat mengembangkan kualitas hasil output dari terbatasnya data dan menanggulangi kesalahan akibat adanya penyimpangan ukuran yang pada awal perencanaan diabaikan (Chi & Hsu, 2001). 9

10 Penggunaan metode Fuzzy Radial Basis Function Neural Network (FRBFNN) telah dilakukan dalam berbagai penelitian sebelumnya. Pada tahun 2008, Pehlivan dan Apaydin melakukan penelitian untuk membandingkan antara Fuzzy Kernel Regression (FNPR) dengan FRBFNN dimana nilai input, output dan bobot pada metode FRBFNN merupakan bilangan fuzzy. Penelitian tersebut menggunakan data percobaan analisis kimia, mikrobiologi serta organoleptik. Hasil dari penelitian tersebut menunjukkan bahwa metode FNPR lebih baik dibandingkan dengan FRBFNN. Penelitian lainnya dilakukan oleh Karthikeyeni dan Ramya (2014) yang membandingkan antara metode Artificial Neuro Fuzzy Inference System (ANFIS) dengan FRBFNN pada prediksi waktu survival pasien kanker paru-paru. Hasilnya yaitu bahwa teknik FRBFNN memiliki tingkat akurasi yang lebih tinggi dari pada metode ANFIS. Pada tahun yang sama, Ayunda, Irawan dan Karnaningroem menggunakan model Fuzzy Radial Basis Function untuk peramalan nilai Biochemical Oxygen Demand (BOD) pada kali Surabaya. Penelitian terdahulu terkait penggunaan model FRBFNN untuk klasifikasi kanker payudara telah dilakukan sebelumnya oleh Senol dan Yildirim (2009). Mereka membandingkan beberapa metode struktur hybrid yang mengkombinasikan antara neural network dengan fuzzy logic untuk klasifikasi stadium kanker thyroid dan kanker payudara. Salah satu metode yang digunakan yaitu fuzzy-rbf. Penggunaan metode fuzzy-rbf pada penelitian tersebut menggunakan algoritma Orthogonal Least Square (OLS) untuk mencari nilai bobot yang menghubungkan antara hidden layer dan output layer. Sedangkan 10

11 pada tugas akhir ini, estimasi bobot dilakukan dengan menggunakan metode global ridge regression. Berdasarkan hal-hal yang telah diuraikan di atas, melatarbelakangi penulis untuk melakukan penelitian mengenai klasifikasi stadium kanker payudara menggunakan model Fuzzy Radial Basis Function Neural Network (FRBFNN). Oleh karena itu, penelitian yang berjudul Penerapan Model Fuzzy Radial Basis Function Neural Network (FRBFNN) untuk Klasifikasi Stadium Kanker Payudara pada tugas akhir ini diharapkan dapat memberikan hasil yang baik dan bermanfaat di bidang matematika maupun kesehatan. B. Rumusan Masalah Berdasarkan latar belakang di atas maka permasalahan dalam penelitian ini dapat dirumuskan sebagai berikut: 1. Bagaimana prosedur klasifikasi stadium kanker payudara pada model Fuzzy Radial Basis Function Neural Network (FRBFNN) dengan menggunakan data Wisconsin Breast Cancer Database (WBCD) dan data Wisconsin Diagnostic Breast Cancer (WDBC)? 2. Bagaimana hasil klasifikasi stadium kanker payudara pada model Fuzzy Radial Basis Function Neural Network (FRBFNN) dengan menggunakan data Wisconsin Breast Cancer Database (WBCD) dan data Wisconsin Diagnostic Breast Cancer (WDBC)? C. Tujuan Penelitian Berdasarkan rumusan masalah di atas maka tujuan penulisan penelitian ini adalah: 11

12 1. Mendeskripsikan prosedur klasifikasi stadium kanker payudara pada model Fuzzy Radial Basis Function Neural Network (FRBFNN) dengan menggunakan data Wisconsin Breast Cancer Database (WBCD) dan data Wisconsin Diagnostic Breast Cancer (WDBC). 2. Mendeskripsikan hasil klasifikasi stadium kanker payudara pada model Fuzzy Radial Basis Function Neural Network (FRBFNN) dengan menggunakan data Wisconsin Breast Cancer Database (WBCD) dan data Wisconsin Diagnostic Breast Cancer (WDBC). D. Manfaat Penelitian Manfaat yang dapat diperoleh dari penelitian ini adalah: 1. Bagi penulis Bagi penulis sendiri, penulisan skripsi ini dapat menambah pengetahuan dan wawasan tentang aplikasi model FRBFNN dalam kehidupan sehari-hari, khususnya dalam bidang kesehatan. 2. Bagi para pembaca Sebagai salah satu bahan dalam mempelajari model FRBFNN dan MATLAB serta diharapkan penelitian ini dapat dijadikan sebagai referensi untuk penelitian selanjutnya. 3. Bagi perpustakaan Universitas Negeri Yogyakarta Penulisan skripsi ini juga bermanfaat dalam menambah koleksi bahan pustaka yang bermanfaat bagi Universitas Negeri Yogyakarta pada umunya dan mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam pada khususnya. 12