BAB 2 TINJAUAN PUSTAKA 2.1 Definisi Pengolahan Citra Citra

5

BAB 2

TINJAUAN PUSTAKA

2.1 Definisi Pengolahan Citra

Citra disebut sebagai gambaran dari objek yang telah mengalami perubahan dalam

pengolahan. Pengolahan citra digital adalah suatu metode yang digunakan untu mengolah

citra digital (gambar/image) sehingga menghasilkan gambar yang sesuai dengan

kebutuhan. Proses ini berupa manipulasi dan menganalisa citra dengan bantuan komputer.

Operasi pengolahan citra digital umumnya dilakukan dengan tujuan memperbaiki kualitas

gambar sehingga dapat diinpretasi oleh mata manusia dan untuk mengolah informasi

yang terdapat pada suatu gambar untuk pengenalan objek secara otomatis.

2.1.1 Citra Digital

Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang

matematis, citra merupakan fungsi terus-menerus (continue) dari intensitas cahaya pada

bidang dwimatra. Sumber cahaya menerangi objek, objek ditangkap oleh alat-alat optik

misalnya mata pada manusia, kamera, pemindai (scanner) dan sebagainya sehingga

bayangan objek yang disebut citra tersebut terekam. Sebuah citra adalah kumpulan piksel-

piksel yang disusun dalam larik dua dimensi.

Citra digital merupakan suatu larik dua dimensi atau suatu matriks yang elemen-

elemennya menyatakan tingkat keabuan dari elemen gambar. Jadi informasi yang

terkandung bersifat diskret. Citra digital tidak selalu merupakan hasil langsung data

rekaman suatu sistem. Kadang-kadang hasil rekaman data bersifat kontinu seperti gambar

pada monitor televisi, foto x-ray, dan lain sebagainya. Dengan demikian untuk

mendapatkan suatu citra digital diperlukan suatu proses konversi, sehingga citra tersebut

selanjutnya dapat diproses dengan komputer.

Universitas Sumatera Utara

6

2.2 Tujuan Pengolahan Citra

Tujuan dari pengolahan citra adalah untuk mendapatkan informasi dari citra dan

menghasilkan citra yang diinginkan. Terlebih dahulu citra harus diolah sebelum masuk ke

proses.

2.2.1 Pembentukan Matriks Biner (Binarization)

Proses ini akan menghasilkan citra hitam putih yang bersih dari tingkat keabun

(grayscale), atau dengan kata lain metode ini mengonversi citra gray-level ke citra bilevel

(binary image). Pada tahap ini setiap nilai pixel RGB akan diambil nilai rata-ratanya

untuk kemudian dicek, jika nilai yang dihasilkan kurang dari nilai threshold yang

dihasilkan maka nilai pixel tersebut diubah menjadi warna hitam, sebaliknya jika lebih

besar dari nilai konstan maka akan diubah menjadi warna putih (Bandyopadhyay, 2010).

Proses thresholding akan memproses citra yang memiliki nilai dengan intensitas

kurang dari nilai ambang (T) akan di set menjadi 0 dan yang lebih dari atau sama dengan

nilai ambang (T) akan di set menjadi 1. Operasi nilai ambang (thresholding) dilakukan

dengan persamaan 3.1 berikut:

( ) { ( )

( ) (2.1)

Metode Otsu akan memberikan nilai threshold atau nilai ambang (T) yang optimal secara

otomatis. Nilai ambang ini sangat penting karena dari nilai ambang ini akan ditentukan

batasan-batasan untuk membuat segmentasi pada citra.

2.2.2 Thinning

Thinning adalah proses pengurangan data yang mengikis (erode) sebuah objek hingga

menjadi ukuran 1 piksel dan menghasilkan kerangka (skeleton) dari objek tersebut. Objek

seperti huruf atau silhouettes dapat lebih mudah dikenali dengan melihat kepada

kerangkanya saja (Samir, 2010). Pada penelitian ini digunakan algoritma thinning Zhang-

Suen.


7

Algoritma ini untuk citra biner, dimana piksel background citra bernilai 0, dan piksel

foreground (region) bernilai 1. Algoritma ini cocok untuk aplikasi OCR (Optical

Character Recognition), yang digunakan untuk bentuk yang diperpanjang (elongated).

Algoritma ini terdiri dari beberapa penelusuran, dimana setiap penelusurannya terdiri dari

2 langkah dasar yang diaplikasikan terhadap titik yang pikselnya bernilai 1, dan memiliki

paling sedikit 1 piksel dari 8-tetangganya yang bernilai 0.

2.3 Teori Kanker Payudara

Kanker payudara merupakan jenis kanker yang paling umum diderita oleh wanita saat ini.

Kanker payudara merupakan jenis kanker dengan angka kematian tertinggi pada wanita.

Menurut Timp (2006) kisaran 22% dari semua jenis kanker yang terjadi pada wanita

adalah kanker payudara Penyakit ini terjadi dimana sel-sel tidak normal (kanker)

terbentuk pada jaringan payudara.

2.3.1 Tumor Payudara

Tumor adalah benjolan tidak normal akibat pertumbuhan sel yang terjadi secara terus

menerus. Tumor terbagi atas dua jenis, yaitu tumor jinak dan tumor ganas yang disebut

dengan kanker. Sel kanker dapat menyebar ke seluruh tubuh sehingga penyakit ini dapat

mematikan. Kanker payudara merupakan penyakit kanker yang menyerang pada kelenjar

air susu, saluran kelenjar dan jaringan penunjang payudara. Untuk mengurangi faktor

resiko, maka salah satu upaya yang dilakukan adalah melakukan pemeriksaan sedini

mungkin.

Tiga tahapan untuk melakukan pemeriksaan dini tersebut adalah (1) pemeriksaan

sendiri, (2) pemeriksaan yang dilakukan oleh tenaga medis yang bertujuan untuk

mengkonfirmasi hasil pemeriksaan sendiri atau bila terjadi keluhan dan (3) pemeriksaan

lanjutan untuk melengkapi pemeriksaan dokter dilakukan dengan menggunakan alat

bantu seperti mammogram yang menggunakan sinar-X sebagai sumber cahaya untuk

menghasilkan sebuah citra.


8

Untuk pengambilan citra payudara, dilakukan dengan menggunakan 2 titik

pandang pada kedua payudara. Titik pandang yang dimaksud adalah MLO (Medio-

Lateral Oblique) mengambil titik pandang dari samping payudara dan CC (Cranio-

Caudal) mengambil titik pandang dari atas ke bawah payudara (Malagelada, 2007).

Setiap pengambilan citra selalu dilakukan untuk payudara kanan dan kiri. Berdasarkan

citra yang diperoleh dari hasil pemeriksaan mamografi ini maka dapat dilihat normal atau

tidaknya payudara. Gambar 2.3 menunjukkan citra hasil mamografi normal dimana kedua

payudara terlihat simetris dengan strukturjaringan normal.

(a)Right MLO (b)Left MLO

Gambar 2.1. Citra Payudara Normal

(Malagelada, 2007).

Gambar 2.2 menunjukkan bahwa payudara sebelah kiri (yang diberi lingkaran merah)

mengidentifikasikan adanya benjolan dan berdasarkan hasil pemeriksaan dokter ahli, citra

di bawah ini termasuk ke dalam kelompok kasus tumor payudara jinak.


9


Gambar 2.2 Citra Tumor Payudara Jinak

(Malagelada, 2007).

Gambar 2.3 menunjukkan noda-noda terang berintensitas tinggi (yang diberi lingkaran

merah) pada payudara sebelah kiri dan menurut dokter ahli, citra di bawah ini termasuk

ke dalam kelompok tumor payudara ganas.


Gambar 2.3 Citra Tumor Payudara Ganas

(Malagelada, 2007).

Berdasarkan karakteristik citra mamografi yang tampak secara visual, para dokter ahli

dapat mengelompokkan tumor payudara berdasarkan pada benjolan dan batas tepi dalam


10

dua kelompok yaitu tumor jinak dan tumor ganas. Benjolan dapat dibedakan dalam 5

bentuk dasar yaitu oval, round, lobulated, irregular dan architectural distortion.

(1) Bentuk dasar oval (2) Bentuk dasar roud

(3) Bentuk dasar lobulated (4) Bentuk dasar irregular

(5) Bentuk dasar architectural distortion

Gambar 2.4 Bentuk Dasar Benjolan

(Malagelada, 2007).

Berdasarkan bentuk benjolan, tumor payudara dapat dikelompokkan menjadi tumor

jinak atau ganas.

Tabel 2.1 Kategori Tumor Jinak atau Ganas Berdasarkan Bentuk Benjolan

No Nama Bentuk Benjolan Kategori

1. oval Tumor Jinak

2. roud Tumor Jinak

3. lobulated Tumor Ganas

4. irregular Tumor Ganas

5. architectural distortion Tumor Ganas

(Malagelada, 2007).


11

Sedangkan batas tepi dapat dibedakan juga dalam 5 jenis, yaitu (1) circumscribed

dapat menentukan dengan jelas transisi yang tajam antara luka dan sekitar jaringan, (2)

obscured sebagian tertutup oleh jaringan normal, (3) micro-lobulated berbentuk lingkaran

yang berombak sepanjang tepi, (4) ill-defined bersifat menyebar dan (5) speculated

berupa penyebaran garis tipis.

(1) batas tepi circumscribed (2) batas tepi obscured

(3) batas tepi micro-lobulated (4) batas tepi ill-defined

(5) batas tepi spiculated

Gambar 2.5 Bentuk Dasar Batas Tepi

(Malagelada, 2007).

Berdasarkan bentuk batas tepi inilah, tumor payudara dapat dikelompokkan menjadi

tumor jinak atau ganas.


12

Tabel 2.2 Kategori Tumor Jinak atau Ganas Berdasarkan Bentuk Batas Tepi

No Nama Bentuk Batas Tepi Kategori

1. Circumscribed Tumor Jinak

2. Obscured Tumor Jinak

3. micro-lobulated Tumor Ganas

4. ill-defined Tumor Ganas

5. Speculated Tumor Ganas

(Malagelada, 2007).

2.3.2 Citra Mammogram

Mamografi (mammography) merupakan metode pencitraan payudara dengan

menggunakan sinar X berdosis rendah (umumnya berkisar 0,7 mSv). Tes yang

sesungguhnya disebut mammogram yang digunakan untuk melihat beberapa tipe tumor

dan kista, dan telah terbukti dapat mengurangi mortalitas akibat kanker payudara.

Sebagaimana penggunaan sinar-x lainnya, mammogram menggunakan radiasi ion untuk

menghasilkan gambar. Radiolog kemudian menganalisa gambar untuk menemukan

adanya pertumbuhan yang abnormal.

Gambar 2.6 Citra Mammogram

Sumber : http://abacus.ee.cityu.edu.hk/imagedb/cgi-bin/ ibrowser/ibrowser.cgi?

folder=/ Medical_Image/mammogram/.


http://abacus.ee.cityu.edu.hk/imagedb/cgi-bin/

13

2.4 Ekstraksi Fitur (Feature Extraction)

Feature extraction adalah proses pengukuran terhadap data yang telah dinormalisasi

untuk membentuk sebuah nilai fitur. Nilai fitur digunakan oleh pengklasifikasi untuk

mengenali unit masukan dengan unit target keluaran dan memudahkan pengklasifikasian

karena nilai ini mudah untuk dibedakan (Kartar, et al 2011).

Secara luas, fitur adalah semua hasil pengukuran yang bisa diperoleh. Fitur juga

bisa menggambarkan karakteristik objek yang dipantau (Putra, 2009). Contoh dari fitur

level rendah adalah intensitas sinyal. Fitur bisa berupa simbol, numerik atau keduanya.

Contoh dari fitur simbol adalah warna. Contoh dari fitur numerik adalah berat. Fitur bisa

diperoleh dengan mengaplikasikan algoritma pencari fitur pada data masukan. Fitur dapat

dinyatakan dengan variabel kontinu, diskret atau diskret-biner.

Fitur biner dapat digunakan untuk menyatakan ada tidaknya suatu fitur tertentu

(Putra, 2009). Fitur yang baik memiliki syarat berikut, yaitu mudah dalam komputasi,

memiliki tingkat keberhasilan yang tinggi dan besarnya data dapat diperkecil tanpa

menghilangkan informasi penting (Putra, 2009).

2.5 Zoning

Zoning merupakan salah satu metode feature extraction dari tipe statistical feature.

Metode zoning adalah metode yang membagi karakter menjadi N x M wilayah. Dari

setiap wilayah, feature diekstraksi untuk membentuk feature vector. Zoning digunakan

untuk analisis informasi lokal pada partisi dari sebuah pola yang diberikan. Element pada

partisi digunakan untuk mengidentifikasi pola fitur karakter. Wilayah ukuran zona atau

wilayah pada zoning bisa memilkiki ukuran yang sama, bisa juga tidak. Tujuan dari

metode zoning yaitu memperoleh karakteristik lokal disamping karakteristik global.

Zoning digunakan untuk menghitung jumlah pixel putih pada suatu zona tertentu (Gatos,

et al 2011). Dapat dilihat seperti contoh gambar dibawah ini :


14

Gambar 2.7 Zoning

Metode Feature extraction dilakukan setelah proses preprocessing dilakukan dengan

menggunakan metode zoning. Metode zoning membagi karakter ke dalam NxM wilayah,

dimana setiap wilayah atau tiap segmen besarnya N/5pixel x M/5pixel. Dari tiap segmen

dicari pixel hitam atau putih yang mengidentifikasi ciri angka yang diekstraksi, pixel

tersebut akan dibagi kedalam N/10*M/10. Nilai yang didapat dari proses zoning tersebut

akan dijadikan nilai untuk input vektor. Setelah nilai dari semua segmen dikumpulkan

maka didapatkanlah input vektor [1,192] untuk dimensi zoning 16x12. Hasil dari proses

zoning ini adalah feature vektor yang siap dimasukkan kedalam proses selanjutnya yaitu

proses klasifikasi.

Gambar 2.8 Besar pixel dalam tiap segmen


15

2.6 Nilai Eigen

Proses menentukan nilai eigen digunakan untuk menentukan nilai karakteristik suatu

matiks, dalam bagian ini nilai eigen digunakan untuk menentukan nilai karakteristik dari

hasil ekstraksi fitur. Jika A adalah matriks m x m, maka setiap skalar λ memenuhi

persamaan

Ax = x ( 2.2)

Untuk m x 1 vektor x ≠ 0, disebut eigen value dari A. Vektor x disebut eigen vector

dari A yang berhubungan dengan eigenvalue , dan persamaan (2.2) diatas disebut

persamaan eigen value – eigen vektor A. Kadang-kadang eigen value dan eigen vektor

juga dinyatakan sebagai (latents root and vectors) atau karekteristik roots dan vektor.

Persamaan (2.2) dapat juga dituliskan sebagai

A - x = 0 ( 2.3 )

Setiap nilai eigenvalue harus memenuhi persamaan determinan,

| A - = 0 ( 2.4 )

yang dikenal sebagai persamaan karakteristik A.

2.7 Pengertian SSVM (Smooth Support Vektor Machine).

SSVM adalah pengembangan baru dari SVM dengan fungsi kernel dan non linier untuk

analisis klasifikasi menggunakan metode smoothing. SVM pertama kali diperkenalkan

oleh Boser, Guyon dan Vapnik pada tahun 1992 sebagai rangkaian harmonis konsep-

konsep unggulan dalam statistical learning theory. Prinsip dasar SVM adalah linier

classifier dan selanjutnya dikembangkan agar dapat bekerja pada problem non linier

dengan memasukkan konsep kernel trick pada ruang kerja berdimensi tinggi (Vapnik,

1995).

SVM adalah suatu teknologi pembelajaran statistik yang dapat menghasilkan

performansi generalisasi terbaik. SVM diperkenalkan untuk pertama kalinya oleh Vapnik

pada tahun 1995 dan sangat berhasil melakukan prediksi, baik dalam kasus klasifikasi


16

maupun regresi. Metode ini berusaha untuk menemukan fungsi pemisah optimal yang

bisa memisahkan dua set data dari dua kelas atau disebut juga hyperplane terbaik diantara

fungsi yang tidak terbatas (Gunn, 1998).

SSVM merupakan pengembangan dari SVM yang menggunakan teknik smoothing.

Metode ini pertama kali diperkenalkan oleh Lee (Lee, et al 2001) pada tahun 2001. Ide

dasar dari SSVM adalah untuk mengkonversi SVM primal formulasi untuk masalah

minimisasi non mulus tanpa kendala. Karena fungsi tujuan dari masalah optimisasi tidak

dibatasi tidak dua kali differentiable, fungsi smoothing dapat diterapkan untuk halus

masalah ini tidak dibatasi. Lee, et al (2001) telah mengusulkan integral dari fungsi

sigmoid untuk mendekati fungsi ditambah. Kemudian, Yuan telah mengusulkan fungsi

polinom dan fungsi spline.

Metode Smoothing, banyak digunakan untuk memecahkan penting matematika

masalah pemrograman ematical dan aplikasi, yang diterapkan di sini untuk menghasilkan

dan memecahkan sebuah reformulasi mulus tak terbatas dari dukungan vektor mesin

untuk klasifikasi pola menggunakan sepenuhnya sewenang-wenang kernel. Seperti

reformulasi jangka dukungan kelancaran vector rmesin (SSVM). Algoritma Newton-

Armijo cepat untuk memecahkan SSVM konvergen global dan kuadratik. Numerik hasil

dan perbandingan diberikan untuk menunjukkan efektivitas dan kecepatan algoritma.

Pada enam dataset tersedia untuk umum, sepuluh kali lipat lintas validation kebenaran

SSVM adalah yang tertinggi dibandingkan dengan empat lain nya metode serta tercepat,

SSVM dapat juga menghasilkan permukaan yang memisahkan sangat non linear seperti

pemeriksa papan.

Untuk masalah ini SVM standar diberikan oleh program kuadrat berikut:

( ) , ( ) (2.5)

Dimana :

v = Sebuah berat yang positif

y = variable Slack

e = Kolom vector satu dimensi


17

Dalam pendekatan SSVM (Lee et al., 2001) , masalah SVM dimodifikasi dihasilkan

sebagai berikut:

( )

( )

( ) (2.6)

Dengan demikian, kita dapat mengganti y dalam kendala dengan dan mengkonversi

masalah SVM menjadi SVM setara yang merupakan masalah optimasi tanpa kendala

sebagai berikut:

( )

( ( ))

( ) (2.7)

Fungsi ini dengan parameter pemulusan yang digunakan di sini untuk menggantikan

fungsi plus untuk mendapatkan Smooth Vector Machine (SSVM)

( )

( ( ))

( ) (2.8)

Sama seperti sebelumnya, itu adalah memperoleh SSVM untuk masalah terpisahkan:

( )

( ( ))

( ) (2.9)

2.8 Klasifikasi

Klasifikasi adalah proses menemukan sekumpulan model/fungsi yang menjelaskan dan

membedakan data kedalam kelas-kelas tertentu, dengan tujuan menggunakan model

tersebut dalam menentukan kelas dari suatu objek yang belum diketahui kelasnya (Han, et

al 2000). Ada 2 proses dalam klasifikasi, yaitu :

a. Proses learning atau training melakukan pembangunan model menggunakan data

training. Pada penelitian ini menggunakan model Smooth Support Vector

Machine. Pada Smooth Support Vector Machine (SSVM), ini dilakukan dengan

pemberian label pada setiap nilai fitur dimana label 1 untuk kategori tumor jinak

dan label -1 untuk kategori tumor ganas.

b. Proses testing melakukan tes terhadap data testing menggunakan model yang

telah diperoleh dari proses training. Penggunaan model untuk mengklasifikasi


18

data baru. Di sini, sebuah rekord diumpankan ke model, dan model akan

memberikan jawaban kelas hasil perhitungannya.

Setelah data training dan testing bersih. Kemudian dilakukan implementasi metode

smooth support vector machine pada proses training untuk membangun model

probabilitas dari data training. Dan selanjutnya dilakukan pengujian model klasifikasi

yang dihasilkan pada proses training dengan menggunakan data tweet baru (data testing).

Pengujian model klasifikasi ini dilakukan pada sistem yang dikembangkan dan pengujian

akurasi model klasifikasi dari hasil data bersih yang dihasilkan dengan menggunakan

perangkat lunak lain yang digunakan sebagai data pembanding. Pengujian ini dilakukan

dengan menggunakan teknik 10 fold cross validation.

Pengujian dilakukan untuk menguji apakah diagnosis yang dilakukan sudah sesuai

atau belum. Pengujian yang dilakukan dalam penelitian ini adalah dengan menghitung

keakurasian sistem yaitu dengan menghitung hasil jumlah data yang sesuai dengan

kenyataan dibagi dengan jumlah seluruh data. Secara matematis dapat dinyatakan dengan

formula (Nithya & Santhi, 2011).

Akurasi (%) =

x 100 % (2.10)


Documents

BAB 2 TINJAUAN PUSTAKA 2.1 Definisi Pengolahan Citra Citra