SEGMENTASI SEL BERTUMPUK PADA CITRA MIKROSKOPIS SEL KANKER PAYUDARA MENGGUNAKAN SPATIAL FUZZY C-MEANS CLUSTERING DAN RAPID REGION MERGING

TESIS - KI142502

SEGMENTASI SEL BERTUMPUK PADA CITRA MIKROSKOPIS SEL KANKER PAYUDARA MENGGUNAKAN SPATIAL FUZZY C-MEANS CLUSTERING DAN RAPID REGION MERGING

Desmin Tuwohingide NRP. 5114201049 DOSEN PEMBIMBING Dr.Eng. Chastine Fatichah, S.Kom., M.Kom.

PROGRAM MAGISTER BIDANG KEAHLIAN KOMPUTASI CERDAS DAN VISUAL JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2017

[Halaman ini sengaja dikosongkan]

ii

LEMBA

THESIS - KI142502

OVERLAPPING CELL SEGMENTATION ON MICROSCOPIS BREAST CANCER IMAGE USING SPATIAL FUZZY C-MEANS AND RAPID REGION MERGING

DESMIN TUWOHINGIDE NRP. 5114201049 SUPERVISOR Dr.Eng. Chastine Fatichah, S.Kom., M.Kom.

MASTER PROGRAM THE EXPERTISE FIELD OF INTELLIGENT COMPUTING AND VISION DEPARTMENT OF INFORMATICS FACULTY OF INFORMATION TECHNOLOGY INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2017

iii

[Halaman ini sengaja dikosongkan]

iv

R

C T B

[Halaman ini sengaja dikosongkan]

vi

Segmentasi Sel Bertumpuk pada Citra Mikroskopis Sel Kanker Payudara Menggunakan Spatial Fuzzy C-Means Clustering dan Rapid Region Merging

Nama Mahasiswa : Desmin Tuwohingide NRP

: 5114201049

Pembimbing

: Dr.Eng Chastine Fatichah, S.Kom., M.Kom.

ABSTRAK Penerapan teknik pengolahan citra untuk menganalisis citra mikroskopis sel kanker payudara dilakukan untuk mempermudah diagnosis penyakit kanker payudara. Proses pemisahan sel kanker payudara bertumpuk dianggap penting karena hasil pemisahan sel kanker bertumpuk akan mempengaruhi akurasi perhitungan jumlah sel. Keberhasilan proses pemisahan sel bertumpuk juga dipengaruhi oleh proses identifikasi sel, proses deteksi sel bertumpuk dan penanganan masalah oversegmentation. Pemisahan sel kanker menggunakan algoritma clustering pada citra mikroskopis sel darah putih menghasilkan nilai akurasi yang cukup baik. Kombinasi metode Spatial Fuzzy C-means Clustering (SFCM) dan Rapid Region Merging (RRM) untuk pemisahan sel kanker bertumpuk dan penanganan masalah oversegmentation dipaparkan pada penelitian ini. Citra masukan yang digunakan pada tahapan pemisahan sel bertumpuk adalah citra hasil identifikasi sel kanker payudara berdasarkan metode Gram-Schmidt, sedangkan sel kanker yang diproses pada tahapan pemisahan sel kanker bertumpuk adalah sel kanker yang dideteksi bertumpuk berdasarkan informasi fitur geometri area. Berdasarkan hasil pengujian dilakukan terhadap 40 citra mikroskopis jenis benign dan malignant, kombinasi metode SFCM dan RRM memberikan hasil paling baik berdasarkan perolehan nilai rata-rata MSE sebesar 0,07 pada tahapan identifikasi sel dan nilai akurasi pemisahan sel bertumpuk sebesar 78.41%

Kata Kunci: Segmentasi sel kanker, Segmentasi Sel Bertumpuk, Kanker Payudara, Spatial Fuzzy C-Means, Rapid Region Merging

vii

[Halaman ini sengaja dikosongkan]

viii

Overlapping Cell Segmentation on Microscopis Breast Cancer Image Using Spatial Fuzzy C-Means and Rapid Region Merging

Student Name

: Desmin Tuwohingide

NRP

: 5114201049

Supervisor

: Dr.Eng Chastine Fatichah, S.Kom., M.Kom.

ABSTRACT One of data information that used for the breast cancer diagnosis is a cancer cell data in microscopic images which taken from the patient's body by using a special camera. The application techniques for image processing in analyzing the microscopic image of the breast cancer cells have been widely applied and developed. Segmentation and separation for overlapping cell is an important step in processing the microscopic image of breast cancer cells due to the accuracy of separation overlapping cell results will determine the accuracy of quantization of breast cancer cells. Quantitation of breast cancer cells is one of the factor that being consider in doctor to take action against patients. Separation overlapping cell by using a clustering algorithm on the microscopic image of blood cells produces a good value. Spatial Fuzzy C-Means Clustering is a method that used to image segmentation based on the spatial information and adjacency probability so that besides robust to noise, the method also

reduces

misclassification.

In

addition

to

avoide

the

occurrence

undersegmentation it must be done overlapping cell detection. Feature geometry is the most common information that used for overlapping cell detection, but the use of it on the microscopic image of breast cancer cells have constraints because of the breast cancer cells size are diverse, resulting susceptible to oversegmentation. Therefore, this study proposes a method for segmentation of overlapping cells on microscopic image of breast cancer cells with Spatial Fuzzy C-Means Clustering algorithm and rapid region algorithm.

Kata Kunci: Segmentation of cancer cells, segmentation of overlapped Cell, Breast Cancer, Spatil Fuzzy C-Means, Rapid Region Merging

ix

[Halaman ini sengaja dikosongkan]

x

KATA PENGANTAR

Segala puji syukur dipanjatkan ke hadirat Tuhan yang mahakuasa, karena hanya atas kemurahan-Nya saja buku tesis ini dapat selesai ditulis. Terselesaikannya penulisan buku tesis ini adalah berkat bimbingan dan bantuan berbagai pihak. Sehingga pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada pihak-pihak sebagai berikut: 1. Kepada orang tua, bapak Herson Tuwohingide dan ibu Feronika Supit, serta adik Juldrike Tuwohingide, atas segala doa, dukungan dan motivasi yang diberikan selama masa studi di Institut Teknologi Sepuluh Nopember. 2. Kepada Dr. Eng. Chastine Fatichah, S.Kom, M.Kom, selaku dosen pembimbing dan dosen wali yang selalu memberikan arahan dan bimbingan dengan sabar sampai buku tesis ini bisa selesai ditulis. 3. Kepada tim dosen penguji, ibu Dr. Eng.Nanik Suciati, S.Kom, M.Kom, ibu Bilqis Amaliah, S.Kom, M.Kom dan bapak Arya Yudhi Wijaya, S.Kom M.Kom yang telah meluangkan waktu untuk memberikan arahan serta masukan. 4. Kepada seluruh citivas akademik Politeknik Negeri Nusa Utara yang telah memberikan kesempatan kepada penulis untuk bisa melanjutkan pendidikan ke jenjang S2. 5. Kepada teman-teman seperjuangan dilaboratorium, aryo dan heru dan pak Saiful Bahri Musa atas bimbingan dan teman diskusi selama implementasi penelitian, yang selalu memberi arahan dan masukan. 6. Kepada teman-teman seangkatan PraS2-Saintek Informatika tahun 2013 dan teman-teman pascasarjana informatika angkatan 2014, yang selalu memberikan motivasi 7. Kepada teman-teman KTB Timothy, kak Fitria, kak Ana, kak Zhelvyanie, kak Wati, kak Rocky, kak Ishak, abang Eri, Bela, Eun, Ann dan Pingkan atas doa dan dukungan kalian disetiap kesempatan. 8. Kepada teman-teman mba Lilia, Ningsi, ka Ida, Sri yang selalu jadi tempat mengeluh dan membagi duka. 9. Kepada teman-teman pelayanan di GKI Manyar, terutama kepada keluarga kak Anang dan kak Nike atas perhatiannya terhadap anak timur dan kepada Elin yang selalu siap siaga dengan pisang goreng. xi

10. Kepada staf LPMI khususnya kak Kesia atas doa, semangat, perhatian yang selalu diberikan 11. Kepada teman-teman pemuda jemaat GMIST “Kalama Darat” atas dukungan dan doa kalian. 12. Kepada keluarga besar Tuwohingide-Supit di Kabupaten Kepulauan Sangihe untuk setiap doa dan dukungan finansial yang diberikan. 13. Kepada semua pihak yang telah membantu penulis selama masa studi di Insitut Teknologi Sepuluh Nopember yang tidak bisa disebutkan satu persatu.

Surabaya, 11 Januari 2017

Desmin Tuwohingide

xii

DAFTAR ISI

ABSTRAK ............................................................................................................ vii ABSTRACT ........................................................................................................... ix KATA PENGANTAR ........................................................................................... xi DAFTAR ISI ........................................................................................................ xiii DAFTAR TABEL ............................................................................................... xvii DAFTAR GAMBAR ........................................................................................... xix BAB I PENDAHULUAN ....................................................................................... 1 1.1

Latar Belakang.......................................................................................... 1

1.2

Permasalahan ............................................................................................ 5

1.3

Batasan Masalah ....................................................................................... 6

1.4

Tujuan Penelitian ...................................................................................... 6

1.5

Manfaat Penelitian .................................................................................... 6

1.6

Kontribusi ................................................................................................. 6

1.7

Sistematika Penulisan ............................................................................... 6

BAB II TINJAUAN PUSTAKA ............................................................................. 9 2.1

Teori Kanker Payudara ............................................................................. 9

2.2

Teori Dasar Segmentasi Citra ................................................................. 10

2.2.1

Deteksi Diskontinuitas .................................................................... 10

2.2.2

Thresholding ................................................................................... 12

2.2.3

Segmentasi Berbasis Region ........................................................... 13

2.3

Metode Segmentasi Citra Mikroskopis Sel Kanker Payudara ............... 13

2.3.1

Model Warna RGB ......................................................................... 13

2.3.2

Gram-Schmidt ................................................................................. 15

2.3.3

Operasi Morfologi ........................................................................... 15

2.4 Metode Pemisahan Sel Bertumpuk Pada Citra Mikroskopis Sel Kanker Payudara ............................................................................................................ 16 2.4.1

Fuzzy C-Means Clustering .............................................................. 16

2.4.2

Spatial Fuzzy C-Means ................................................................... 18

2.4.3

Rapid Region Merging .................................................................... 19

BAB III METODE PENELITIAN........................................................................ 23 3.1

Tahapan Penelitian ................................................................................. 23 xiii

3.1.1

Tahapan Studi Literatur ................................................................... 23

3.1.2

Tahapan Analisis dan Desain Sistem............................................... 24

3.1.3

Tahapan Implementasi ..................................................................... 24

3.1.4

Tahapan Uji Coba dan Analisis Hasil.............................................. 24

3.1.5

Tahapan Penulisan Laporan............................................................. 24

3.2

Analisis dan Desain Sistem ..................................................................... 25

3.2.1

Dataset ............................................................................................. 25

3.2.2

Segmentasi Citra Mikroskopis Sel Kanker Payudara ...................... 26

3.2.3 Pemisahan Sel Bertumpuk Pada Citra Mikroskopis Sel Kanker Payudara ......................................................................................................... 27 3.3

Skenario Uji Coba ................................................................................... 33

3.4

Analisis Hasil .......................................................................................... 34

BAB IV UJI COBA DAN ANALISIS HASIL ..................................................... 38 4.1

Lingkungan Uji Coba .............................................................................. 38

4.2

Data Uji Coba ......................................................................................... 38

4.3

Skenario Uji Coba ................................................................................... 38

4.3.1

Hasil Uji Coba Skenario Pertama .................................................... 39

4.3.2

Hasil Uji Coba Skenario Kedua....................................................... 45

4.4

Analisis Hasil Uji Coba .......................................................................... 52

4.4.1

Analisi Hasil Uji Coba Skenario Pertama ....................................... 52

4.4.2

Analisis Hasil Uji Coba Skenario Kedua ........................................ 53

BAB V PENUTUP ................................................................................................ 58 5.1

Kesimpulan ............................................................................................. 58

5.2

Saran ....................................................................................................... 59

DAFTAR PUSTAKA ............................................................................................ 62 Lampiran 1 ............................................................................................................. 64 Lampiran 2 ............................................................................................................. 67 BIODATA ............................................................................................................. 69

xiv

xv

[ halaman ini sengaja dikosongkan ]

xvi

DAFTAR TABEL

Tabel 3. 1 Vektor Warna RGB pada Gram-Schmidt ............................................ 27 Tabel 4. 1 Perhitungan Nilai Mean Square Error (MSE) ...................................... 44 Tabel 4. 2 Perhitungan Nilai Akurasi Kombinasi Metode Spatial Fuzzy C-Means dan Rapid Region Merging ................................................................................... 51 Tabel 4. 3 Tabel Perbandingan Metode Sebelumnya dengan Metode yang Diusulkan .............................................................................................................. 54 Tabel 4. 4 Perhitungan uji-t untuk variabel hasil SFCM dan Metode yang Diusulkan pada taraf signifikan 5%........................................................................................ 55 Tabel 4. 5 Perhitungan uji-t untuk variabel hasil SFCM dan Metode yang Diusulkan pada taraf signifikan 1%........................................................................................ 55 Tabel 4. 6 Perhitungan uji-t untuk variabel hasil K-Means dan Metode yang Diusulkan pada taraf signifikan 5% ...................................................................... 56 Tabel 4. 7 Perhitungan uji-t untuk variabel hasil K-Means dan Metode yang Diusulkan pada taraf signifikan 1% ...................................................................... 56

xvii

[ halaman ini sengaja dikosongkan ]

xviii

DAFTAR GAMBAR Gambar 2. 1 Mask 3x3 (Prasetyo, 2011)............................................................... 10 Gambar 2. 2 Mask Untuk Deteksi Garis (Prasetyo, 2011) .................................... 11 Gambar 2. 3 Skema Warna RGB Dalam Kubus (Prasetyo, 2011)........................ 14 Gambar 2. 4 Contoh Dua Region yang adjacent dengan 8-Adjacency (Gonzalez & Woods, 2002) ........................................................................................................ 21 Gambar 3. 1 Tahapan Penelitian ........................................................................... 23 Gambar 3. 2 Citra RGB Berupa Citra Mikroskopis Sel Kanker Payudara ........... 25 Gambar 3. 3 Gambaran Umum Desain Sistem Segmentasi Sel Bertumpuk Pada Citra Mikroskopis Sel Kanker Payudara ............................................................... 26 Gambar 3. 4 Flowchart Identifikasi Sel ................................................................ 28 Gambar 3. 5 FLowchart Pemisahan Sel Kanker Bertumpuk ................................ 29 Gambar 3. 6 Aturan Penggabungan Daerah Menggunakan Metode Rapid Region Merging (Chen & Chen, 2014) ............................................................................. 33 Gambar 4. 1 Penentuan nilai thresholding untuk segmentasi sel kanker .............. 41 Gambar 4. 2 Citra yang Dihasilkan pada Setiap Tahapan Segmentasi ................. 42 Gambar 4. 3 Perbandingan Citra Hasil Segmentasi Dengan Citra Asli dan Citra Groundtruth ........................................................................................................... 43 Gambar 4. 4 Hasil Percobaan Penentuan Nilai Threshold untuk Citra Bertumpuk ............................................................................................................................... 46 Gambar 4. 5 Uji Coba Penentuan Nilai c .............................................................. 47 Gambar 4. 6 Hasil Citra Berdasarkan Tahapan-Tahapan Pemisahan Sel Bertumpuk ............................................................................................................................... 48 Gambar 4. 7 Perbandingan Citra Hasil Pemisahan Sel Bertumpuk ...................... 49 Gambar 4. 8 (a)(c) Citra hasil SFCM yang Oversegmentasi (b) Citra Hasil RRM yang Sesuai dengan Citra Asli (d) Citra Hasil RRM yang Undersegmentasi ....... 50 Gambar 4. 9 Citra yang Menghasilkan Nilai Akurasi Terendah ........................... 53 Gambar 4. 10 Citra Yang Menghasilkan Nilai Akurasi Paling Tinggi ................. 53

xix

[ halaman ini sengaja dikosongkan ]

xx

BAB I PENDAHULUAN

1.1

Latar Belakang Salah satu tumor ganas yang paling banyak diderita oleh perempuan adalah

kanker payudara. Kanker payudara merupakan kanker jaringan payudara yang didefinisikan sebagai suatu penyakit neoplasma ganas yang berasal dari parenchyma. Menurut data yang dirilis oleh World Health Organization (WHO) pada website Https://who.int, di Indonesia angka kematian perempuan paling tinggi diakibatkan oleh kasus kanker payudara, bahkan pada tahun 2015 Pemerintah Indonesia melalui Kementerian Kesehatan melaporkan bahwa menurut data GLOBOCAN (IARC) tahun 2012, kanker payudara merupakan penyakit kanker dengan jumlah kasus baru dan penyebab kematian tertinggi. Secara nasional prevalensi penyakit kanker pada penduduk semua umur di Indonesia tahun 2013 sebesar 1,4% atau sekitar 347.792 orang, sehingga penyakit kanker payudara masuk dalam daftar penyakit kanker dengan prevalensi tertinggi di Indonesia. Pada umumnya, kanker payudara didiagnosis melalui pemeriksaan rutin atau ketika pasien menyadari gejala-gejala tertentu, tetapi pemeriksaan fisik saja tidak cukup untuk mengonfirmasi diagnosis kanker payudara sehingga dilakukan berbagai prosedur pemeriksaan seperti mamografi, biopsi dan lain sebagainya untuk memperoleh informasi terkait konfirmasi diagnosis dan kebutuhan terapi pasien. Salah satu data yang informasinya digunakan untuk diagnosis penyakit kanker payudara adalah data sel kanker berupa citra mikroskopis yang diambil dari tubuh pasien menggunakan kamera khusus. Citra mikroskopis tersebut yang kemudian akan dianalisis oleh tim medis untuk mengonfirmasi kesehatan pasien dengan melakukan identifikasi sel kanker dan perhitungan sel kanker payudara. Penerapan teknik pengolahan citra untuk menganalisis citra mikroskopis sel kanker payudara telah banyak dilakukan dan dikembangkan. Segmentasi citra adalah salah satu masalah paling penting yang diangkat dalam pengolahan citra 1

mikroskopis sel kanker payudara karena proses segmentasi harus menghasilkan output yang merepresentasikan citra asli. Segmentasi citra bertujuan membagi citra menjadi beberapa objek atau region. Hal ini dilakukan agar objek yang diinginkan dalam suatu citra, terpisahkan dari objek lainnya. Segmentasi citra umumnya didasarkan pada beberapa hal seperti intensitas yang mencolok dan kemiripan region. Pada penerapannya, proses segmentasi citra mikroskopis terdapat berbagai permasalahan, yaitu teknik segmentasi tradisional tidak bisa secara maksimal melakukan segmentasi dan pemisahan sel bertumpuk pada citra mikroskopis yang memiliki beragam karakteristik dari segi warna, bentuk, ukuran dan tekstur. Keberagaman inilah yang menjadi tantangan yang diangkat dalam penelitian sebelumnya untuk melakukan identifikasi sel kanker. Pada penelitian (Mouelhi, Sayadi, & Fnaiech, 2013) Identifikasi sel kanker payudara menggunakan Color Active Contour dan Multilayer Neural Network berdasarkan informasi warna sel menggunakan Fisher Linear Discriminant menghasilkan nilai akurasi segmentasi sebesar 95,50%. Identifikasi sel kanker yang dilakukan pada penelitian (Aini, 2015) berdasarkan Region-Based Active Contour menghasilkan nilai MSE dalam rentan nilai 0,05 sampai 0,17 dengan rata-rata nilai MSE sebesar 0,08. Kedua penelitian ini menggunakan dataset yang sama dengan jumlah dataset sebanyak 15 citra dan metode yang diusulkan dari kedua penelitian ini menghasilkan nilai MSE yang tidak jauh berbeda. Dalam penelitian (Fatichah & Suciati, 2015) dipaparkan mengenai identifikasi sel kanker payudara pada citra mikroskopis sel kanker payudara dengan menggunakan metode Gram Schmidt menghasilkan nilai Mean Square Error (MSE) dalam rentan nilai dari 0,05 sampai 0,11 dan menghasilkan nilai rata-rata MSE sebesar 0,08 dibandingkan dengan metode Otsu yang menghasilkan nilai MSE dalam rentan nilai 0,11 sampai 0,57 dengan rata-rata nilai MSE 0,26. Dalam pengolahan citra mikroskopis sel kanker payudara, masalah deteksi sel bertumpuk dan pemisahan sel juga menjadi masalah yang banyak diangkat dalam penelitian karena hasil pemisahan sel bertumpuk sangat menentukan akurasi perhitungan jumlah sel kanker payudara. Beberapa penelitian berikut 2

mengangkat masalah deteksi dan pemisahan sel bertumpuk dalam penelitiannya, (Phukpattaranont & Boonyaphiphat, 2007) menjelaskan mengenai pentingnya deteksi sel kanker payudara bertumpuk sebelum proses pemisahan sel bertumpuk. Keberhasilan deteksi sel bertumpuk dalam segmentasi dan pemisahan sel bertumpuk yang dipaparkan dalam penelitian ini adalah dengan menerapkan deteksi sel bertumpuk berdasarkan fitur geometri area sel kanker yang dibedakan ke dalam tiga kategori yaitu small yang dianggap noise, medium dianggap sel tunggal dan large dianggap sel bertumpuk, sehingga untuk proses pemisahan sel bertumpuk hanya sel yang dianggap bertumpuk yang diproses menggunakan metode Marker-Controlled Watershed. Deteksi sel kanker bertumpuk dinilai mampu memperkecil kemungkinan undersegmentation dan oversegmentation. Penelitian (Mouelhi, Sayadi, Fnaiech, & Mrad, 2013) menerapkan deteksi sel kanker payudara bertumpuk menggunakan deteksi concave point, karena bentuk sel kanker payudara yang beragam sehingga dilakukan deteksi titik yang memiliki concavity yang tinggi pada daerah boundaries. Titik-titik concavity ditentukan dengan teknik pendeteksian sudut berdasarkan informasi global dan local curvature dan metode Watershed untuk pemisahan sel bertumpuk. Hasil nilai akurasi yang diperoleh pada penelitian ini adalah 89,20% untuk dataset 1 dan 92,70% untuk dataset 2. Secara berkelanjutan (Mouelhi, Sayadi, & Fnaiech 2013) menerapkan Watershed untuk pemisahan sel bertumpuk berdasarkan Fuzzy Active Contour Model dan deteksi concave point menggunakan konstruksi concave vertex graph dan pemilihan jalur garis terpendek untuk inisialisasi garis pemisah, dan menghasilkan nilai akurasi sebesar 96,23%. Pada penelitian (Faried, 2013) deteksi dan pemisahan sel bertumpuk pada citra mikroskopis sel darah merah menggunakan informasi fitur geometri dan analisis klaster K-Means Clustering untuk pemisahan sel kanker bertumpuk dengan memperoleh hasil yang menunjukkan bahwa metode ini memiliki rata-rata akurasi yang lebih tinggi yaitu 96,46% dan nilai error yang lebih rendah dibandingkan dengan metode Classical Watershed yang memperoleh rata-rata nilai akurasi sebesar 79,87% dan metode Condition Erosion Watershed yang menghasilkan rata-rata nilai akurasi sebesar 3

87,22%. Dalam penelitian (Aini, 2015) kombinasi metode Region-Based Active Contour dan Bayesian untuk pemisahan sel bertumpuk menghasilkan nilai ratarata akurasi sebesar 61,30% sementara kombinasi metode Region-Based Active Contour dan Watershed menghasilkan rata-rata nilai akurasi sebesar 65%. Berdasarkan penelitian-penelitian terdahulu, beberapa hal yang sangat perlu untuk dipertimbangkan guna meningkatkan hasil pemisahan sel kanker payudara bertumpuk. Pertama, identifikasi sel kanker payudara harus dilakukan dengan memperhatikan karakteristik citra mikroskopis guna mendapatkan sel kanker yang sesuai dengan citra groundtruth agar menghasilkan citra segmentasi yang tingkat kesalahannya kecil. Kedua, deteksi sel kanker payudara bertumpuk perlu untuk dilakukan untuk mengurangi kemungkinan oversegmentation terhadap sel tunggal dan undersegmentation terhadap sel bertumpuk seperti yang dipaparkan dalam penelitian (Phukpattaranont & Boonyaphiphat, 2007) berdasarkan informasi fitur geometri area dengan memberikan asumsi luasan sel kanker tunggal dan luasan sel kanker bertumpuk. Untuk pemisahan sel bertumpuk, Berdasarkan hasil penelitian (Faried, 2013) bahwa metode clustering menghasilkan pemisahan sel darah bertumpuk yang baik dan memperoleh nilai akurasi yang tinggi dibandingkan dengan metode classical watershed dan metode condition erosion watershed. Pada penelitian (Li & Shen, 2010)(Beevi, Sathik, Senthamaraikannan, & Yasmin, 2010) dipaparkan metode Spatial Fuzzy C-Means Clustering (SFCM) yang merupakan pengembangan metode Fuzzy C-Means Clustering berdasarkan informasi spasial dan probabilitas ketetanggaan, karena informasi spasial dan probabilitas ketetanggaan memiliki korelasi yang tinggi dan sangat penting dalam pengelompokan citra. Metode ini dianggap memiliki kelebihan yang tidak hanya robust terhadap noise tapi juga mengurangi kesalahan pengelompokan. Selain beberapa masalah di atas, oversegmentation menjadi salah satu masalah utama yang harus ditangani dalam proses pemisahan sel bertumpuk. Metode Region merging adalah metode yang diimplementasikan untuk mengurangi masalah oversegmentation, salah satunya adalah Rapid Region Merging yang merupakan metode penggabungan daerah berdasarkan kemiripan 4

region yang mampu meningkatkan nilai akurasi segmentasi, karena mampu mengatasi masalah oversegmentation yang dihasilkan oleh metode watershed (Chen & Chen, 2014). Berdasarkan uraian di atas, penelitian ini mengusulkan metode segmentasi sel kanker bertumpuk pada citra mikroskopis sel kanker payudara dengan Spatial Fuzzy C-Means Clustering (SFCM) dan Rapid Region Merging (RRM). Tahapan pertama pada penelitian ini adalah melakukan segmentasi sel kanker pada citra mikroskopis sel kanker payudara berdasarkan identifikasi sel menggunakan metode Gram-Schmidt, kemudian dilakukan deteksi sel kanker bertumpuk berdasarkan informasi fitur geometri. Selanjutnya adalah pemisahan sel kanker bertumpuk menggunakan Spatial Fuzzy C-Means Clustering dan metode Rapid Region Merging mengatasi masalah oversegmentation. 1.2

Permasalahan Berdasarkan latar belakang di atas permasalahan yang diangkat pada

penelitian ini adalah : 1. Bagaimana melakukan identifikasi sel kanker payudara berdasarkan metode Gram-Schmidt? 2. Bagaimana melakukan pemisahan sel pada citra mikroskopis sel kanker payudara menggunakan algoritma Spatial Fuzzy C-Means Clustering berdasarkan informasi fitur geometri area untuk deteksi sel kanker bertumpuk? 3. Bagaimana

melakukan

penggabungan

daerah

oversegmentation

menggunakan metode Rapid Region Merging? 4. Bagaimana menguji performa metode yang diusulkan berdasarkan hasil yang diperoleh pada tahapan identifikasi sel kanker dan tahapan pemisahan sel bertumpuk?

5

1.3

Batasan Masalah Permasalahan yang dibahas dalam penelitian ini memiliki beberapa batasan

masalah sebagai berikut: 1. Aplikasi dirancang menggunakan MATLAB R2015a 2. Dataset yang digunakan adalah citra mikroskopis sel kanker payudara yang diunduh di www.bioimage.ucsb.edu 1.4

Tujuan Penelitian Tujuan dari penelitian ini adalah melakukan identifikasi sel dan pemisahan

sel bertumpuk pada citra mikroskopis sel kanker payudara menggunakan algoritma Spatial Fuzzy C-Means Clustering dan Rapid Region Merging. 1.5

Manfaat Penelitian Manfaat dari penelitian ini adalah dihasilkannya sistem yang digunakan

untuk segmentasi sel bertumpuk pada citra mikroskopis sel kanker payudara menggunakan kombinasi algoritma Spatial Fuzzy C-Means dan Rapid Region Merging yang diharapkan memberikan hasil perhitungan sel kanker payudara yang lebih akurat. 1.6

Kontribusi Kontribusi pada penelitian ini adalah mengusulkan metode Spatial Fuzzy

C-Means Clustering dan Rapid Region Merging untuk pemisahan sel bertumpuk pada citra mikroskopis sel kanker payudara berdasarkan fitur geometri area dengan harapan dapat mengurangi permasalahan oversegmentation dan meningkatkan akurasi perhitungan jumlah sel kanker payudara. 1.7

Sistematika Penulisan Laporan metodologi penelitian ini dibagi dalam beberapa bab, sebagai

berikut: a. Bab I Pendahuluan, berisi Latar Belakang, Permasalahan, Batasan Masalah, Tujuan, Manfaat, Kontribusi, dan Sistematika Penulisan. 6

b. Bab II Tinjauan pustaka, akan dibahas dasar-dasar teori yang mendukung penelitian yang diusulkan. c. Bab III Metodologi, akan membahas rancangan sistem, dataset, skenario uji coba hingga jadwal penelitian. d. Bab IV Uji coba dan Analisis hasil, akan membahas hasil implementasi dari rancangan sistem yang dibuat, uji coba sistem serta analisis hasil. e. Bab V Kesimpulan, akan membahas kesimpulan dari penelitian yang diusulkan.

7

[Halaman ini sengaja dikosongkan]

8

BAB II TINJAUAN PUSTAKA

Pada Bab 2 ini akan dijelaskan mengenai tinjauan pustaka yang terkait dengan penelitian yang diusulkan. Beberapa dasar teori yang akan di bahas pada bab ini, antara lain: teori kanker payudara, segmentasi citra, metode segmentasi citra, Spatial Fuzzy C-Means Clustering, dan metode Rapid Region Merging. 2.1

Teori Kanker Payudara Penyakit kanker adalah penyakit yang timbul akibat pertumbuhan tidak

normal sel jaringan tubuh yang berubah menjadi sel kanker. Penyakit kanker merupakan salah satu penyebab kematian utama di seluruh dunia. Pada tahun 2012, sekitar 8,2 juta kematian disebabkan oleh kanker. Faktor-faktor risiko penyakit kanker antara lain, faktor genetik, faktor karsinogen di antaranya yaitu zat kimia, radiasi, virus, hormon, dan iritasi kronis, dan faktor perilaku atau gaya hidup di antaranya yaitu merokok, pola makan yang tidak sehat, konsumsi alkohol dan kurang aktivitas fisik. Lebih dari 30% angka kematian akibat kanker disebabkan karena faktor risiko perilaku atau gaya hidup, dan merokok merupakan faktor risiko utama kanker yang menyebabkan terjadinya lebih dari 20% angka kematian kanker didunia. Kanker paru, hati, perut, kolorektal dan kanker payudara adalah penyebab terbesar kematian akibat kanker setiap tahunnya

(Pusat

data

dan

informasi

Kementerian

Kesehatan

RI,

www.depkes.go.id). Kanker payudara merupakan kanker jaringan payudara yang didefinisikan sebagai suatu penyakit neoplasma ganas yang berasal dari parenchyma dan merupakan tumor ganas yang paling umum diderita oleh perempuan. Melalui Kementerian Kesehatan Republik Indonesia, dilaporkan bahwa menurut data GLOBOCAN (IARC), tahun 2012 diketahui bahwa kanker payudara merupakan penyakit kanker dengan jumlah kasus baru tertinggi, yaitu dengan jumlah sebesar 43,3%, dan jumlah kematian akibat kanker payudara adalah sebesar 12,9%. Walaupun jumlah penderita kanker payudara bertambah banyak setiap tahunnya, 9

namun angka kematian akibat penyakit kanker payudara lebih rendah dibandingkan dengan jumlah kasus baru, sehingga jika kanker payudara tersebut dapat dideteksi dan ditangani sejak dini maka kemungkinan sembuh akan lebih tinggi (Pusat data dan informasi Kementerian Kesehatan RI, www.depkes.go.id). 2.2

Teori Dasar Segmentasi Citra Tujuan utama dari segmentasi citra adalah membagi citra menjadi beberapa

region untuk mendapatkan objek yang diingikan dalam suatu citra, dengan kata lain objek yang diinginkan terpisah dengan objek lain yang dianggap noise. Maka, segmentasi seharusnya berhenti ketika objek yang diinginkan dalam aplikasi telah terisolasi. Algoritma segmentasi citra umumnya didasarkan satu dari dua properti nilai intensitas, yaitu diskontinuitas dan kemiripan. Pada diskontinuitas, pendekatan yang digunakan adalah memecah/memilah citra berdasarkan perubahan kasar dalam intensitas, seperti tepi dalam citra. Pendekatan yang digunakan pada kemiripan berdasarkan pemecahan citra ke dalam region yang sama menurut sejumlah kriteria yang didefinisikan, seperti thresholding, region growing, region splitting, dan merging (Prasetyo, 2011). 2.2.1

Deteksi Diskontinuitas Cara paling umum untuk mencari diskontinuitas adalah menjalankan mask

sepanjang citra dengan prosedur komputasi jumlah dari perkalian koefisien dengan nilai gray level yang mengisi region yang ditempati oleh mask pada gambar 2.1. Maka hasil masking pada sembarang titik dalam citra adalah gray level piksel 𝑧𝑖 diasosiasikan dengan koefisien mask 𝑤𝑖 , mengikuti Persamaan 2.1 dan Gambar 2.1(a) (Prasetyo, 2011). 𝑅 = 𝑤1 𝑧1 + 𝑤2 𝑧2 + ⋯ + 𝑤9 𝑧9

2.1

W2

W3

-1

-1

-1

W4 W5

W6

-1

8

-1

W7 W8

W9

-1

-1

-1

W1

Umum

(b) Mask Laplacian

Gambar 2. 1 Mask 3x3 (Prasetyo, 2011) 10

(a)

Mask



Deteksi Titik Untuk deteksi titik-titik terisolasi pada citra menggunakan mask pada

Gambar 2.1(a). Titik deteksi pada lokasi di mana mask dipusatkan Jika mutlak hasil masking 𝑅 lebih lebih besar atau sama dengan 𝑅 threshold non-negatif (Persamaan 2.2). Pada dasarnya formula ini digunakan untuk mengukur perbedaan bobot antara titik pusat mask dan tetangganya. Ide bahwa isolating point (sebuah titik di mana gray levelnya secara signifikan berbeda dari background dan ditempatkan dalam daerah homogenous atau dekat dengan homogenous) akan berbeda dari sekitarnya dan dengan mudah dideteksi oleh mask ini (Prasetyo, 2011). |𝑅 | ≥ 𝑇 

(2.2)

Deteksi Garis Jika R1, R2, R3, dan R4 menyatakan hasil mask pada Gambar 2.2 dari kiri ke

kanan, dan nilai R diberikan oleh Persamaan 2.2 dan jika empat mask dijalankan secara individu terhadap citra, untuk titik tertentu dalam citra, |𝑅𝑖 | > |𝑅𝑗 | untuk semua 𝑗 ≠ 𝑖, titik tersebut akan dikatakan lebih berasosiasi dengan garis dalam arah mask i. Alternatifnya, deteksi garis dapat dilakukan dalam arah tertentu. Dalam kasus ini, mask yang digunakan berasosiasi dengan arah dan output threshold(Prasetyo, 2011). -1

-1

-1

2

-1

-1

2

2

2

-1

2

-1

-1

-1

-1

-1

-1

2

(b) +450

(a) Horizontal -1

2

-1

-1

-1

2

-1

2

-1

-1

2

-1

-1

2

-1

2

-1

-1

(d) -450

(b) Vertikal

Gambar 2. 2 Mask Untuk Deteksi Garis (Prasetyo, 2011)

11

Dengan kata lain, jika ingin mendeteksi semua garis dalam citra dengan arah yang telah didefinisikan mask, maka cukup menjalankan mask sepanjang bidang citra dan melakukan threshold nilai absolut dari hasil. Titik-titik yang tersisa adalah hasil yang terkuat, di mana garis dengan ketebalan satu piksel berhubungan dengan arah yang didefinisikan oleh mask. 

Deteksi Tepi Deteksi tepi merupakan pendekatan yang paling umum untuk pendeteksian

diskontinuitas nilai intensitas, seperti diskontinuitas yang dideteksi oleh penggunaan turunan pertama dan kedua. Pilihan turunan pertama dalam pengolahan citra adalah Gradien. Gradien fungsi 2-D 𝑓 (𝑥, 𝑦) didefinisikan sebagai vektor pada Persamaan 2.3. Turunan kedua dalam pengolahan citra umumnya dihitung menggunakan Laplacian, sehingga fungsi Laplacian 2-D 𝑓 (𝑥, 𝑦) dibentuk dari turunan kedua mengikuti Persamaan 2.4 (Prasetyo, 2011). 𝜕𝑓

∇𝒇 = [𝐺𝐺𝑥 ] = [𝜕𝑥 𝜕𝑓] 𝑦

∇2 𝑓 (𝑥, 𝑦) =

(2.3)

𝜕𝑦

𝜕 2 𝑓(𝑥,𝑦) 𝜕𝑥 2

+

𝜕 2 𝑓(𝑥,𝑦)

(2.4)

𝜕𝑦2

Laplacian jarang digunakan sendirian tanpa deteksi tepi, karena sebagai turunan kedua, Laplacian tidak sensitif terhadap noise. Jaraknya menghasilkan tepi double dan tidak bisa mendeteksi arah tepi tetapi Laplacian bisa menjadi pelengkap yang powerfull ketika digunakan dalam kombinasi dengan teknik deteksi tepi yang lain. Ide dasar deteksi tepi adalah untuk mencari tempat di dalam citra di mana intensitas berubah secara cepat, menggunakan satu dari dua kriteria umum berikut: 1. Mencari tempat di mana turunan pertama dari intensitas lebih besar dalam jarak daripada threshold yang ditetapkan. 2. Mencari tempat di mana turunan kedua dari intensitas mempunyai zero crossing. 2.2.2

Thresholding Thresholding citra menjadi titik pusat dalam aplikasi segmentasi citra

karena properti dan kesederhanaannya dalam implementasi. Jika sebuah citra 12

𝑓(𝑥, 𝑦), terdiri dari objek terang pada background gelap, maka piksel objek dan background mempunyai level intensitas yang dikelompokkan ke dalam dua mode dominan. Satu cara yang jelas untuk mengekstrak objek dari background adalah dengan memilih threshold 𝑇 yang membagi mode-mode ini. Kemudian sembarang titik (𝑥, 𝑦) untuk dimana 𝑓 (𝑥, 𝑦) ≥ 𝑇 disebut object point, sedangkan yang lain disebut backgroundpoint. Citra yang di threshold 𝑔(𝑥, 𝑦) didefinisikan pada Persamaan 2.5 𝑗𝑖𝑘𝑎 𝑓(𝑥,𝑦)≥𝑇 𝑔(𝑥, 𝑦) = {01 𝑗𝑖𝑘𝑎 𝑓(𝑥,𝑦)<𝑇

(2.5)

Piksel yang diberi nilai 1 berkaitan dengan objek sedangkan piksel yang diberi nilai 0 berkaitan dengan background. Ketika 𝑇 adalah konstanta, pendekatan ini disebut global thresholding (Prasetyo, 2011). 2.2.3

Segmentasi Berbasis Region Jika 𝑅 merepresentasikan semuah daerah citra, segmentasi adalah proses di

mana pemecahan 𝑅 ke dalam sub-bagian berdasarkan beberapa syarat. Syarat (1) mengindikasi bahwa segmentasi harus lengkap; bahwa setiap piksel berada dalam region. Syarat (2) membutuhkan titik-titik dalam region yang dihubungkan dalam beberapa cara yang didefinisikan dalam 4 atau 8-connected. Syarat (3) mengindikasi bahwa region harus disjoint. Syarat (4) bekerja dengan properti yang harus dicapai oleh piksel dalam region yang tersegmentasi, misalnya 𝑃(𝑅𝑖 ) = 𝑇𝑅𝑈𝐸 jika semua piksel dalam 𝑅𝑖 mempunyai gray level yang sama. Syarat (5) mengindikasi bahwa region tetangga 𝑅𝑖 dan 𝑅𝑗 adalah berbeda dalam predikat 𝑃 (Prasetyo, 2011). 2.3

Metode Segmentasi Citra Mikroskopis Sel Kanker Payudara

2.3.1

Model Warna RGB Model warna (color space atau color system) bertujuan memfasilitasi

spesifikasi warna dalam beberapa standar. Model warna merepresentasikan sistem koordinat dan sub-space di dalam sistem di mana setiap warna direpresentasikan oleh titik tunggal. Dalam model warna RBG, setiap warna memperlihatkan 13

komponen spectral primary red, green, dan blue, yang didasarkan pada sistem koordinat kartesius.

Gambar 2. 3 Skema Warna RGB Dalam Kubus (Prasetyo, 2011) Sub-space warna yang dicari adalah kubus yang asumsikan bahwa semua nilai warna dinormalisasikan, maka nilai R,G,B diasumsikan dalam range [0,1] seperti yang ditunjukkan pada Gambar 2.2, nilai RGB berada pada tiga sudut dan pada tiga sudut lainnya adalah cyan, magenta,dan yellow sedangkan hitam adalah origin dan putih adalah titik paling jauh dari origin. Pada model warna ini, grayscale diperluas dari hitam ke putih, sepanjang garis gabungan dua titik. Perbedaan warna dalam model ini adalah titik-titik yang berada dalam kubus dan didefinisikan oleh penyebaran vektor dari origin. Citra yang direpresentasikan dalam model warna RGB terdiri dari tiga komponen citra, masing-masing untuk setiap warna primer R,G,B. Jumlah bit yang digunakan untuk merepresentasikan setiap piksel dalam space RGB disebut pixel depth. Setiap citra red, green, dan blue adalah citra 8-bit. Dalam kondisi setiap warna piksel memiliki kedalaman 24-bit (3 lapis citra dengan jumlah bit per lapis) (Prasetyo, 2011).

14

2.3.2

Gram-Schmidt Sebuah himpunan orthogonal dimana setiap vektor mempunyai norm 1,

dinamakan himpunan orthonormal. Suatu himpunan yang bukan orthonormal dapat diubah menjadi himpunan orthonormal dengan menggunakan proses gram-schmidt. Misalkan 𝑆 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 } dan menghasilkan sebuah basis orthogonal 𝑆 = {𝑢1 , 𝑢2 , … , 𝑢𝑛 } yang memiliki subruang sama dengan 𝑆 yang diperoleh berdasarkan proses Gram Schmidt.

Proyeksi Gram Schmidt dijelaskan pada persamaan

2.6(Rezatofighi, 2009). 〈𝑢,𝑣〉

𝑢

𝑃𝑟𝑜𝑗𝑢 𝑣 = 〈𝑢,𝑢〉 𝑢 = 〈𝑢, 𝑣 〉 𝑢,𝑢

(2.6)

Dimana 〈𝑢, 𝑣 〉 adalah ruang hasil kali dalam dan vektor 𝑢 dan vektor 𝑣. Proses Gram Schmidt dapat dilihat pada persamaan berikut: 𝑢

𝑢1 = 𝑣1 ,

𝑒1 = ‖𝑢1 ‖

𝑢2 = 𝑣2 − 𝑝𝑟𝑜𝑗𝑢1 𝑣2

𝑒2 =

𝑢3 = 𝑣3 − 𝑝𝑟𝑜𝑗𝑢1 𝑣3 − 𝑝𝑟𝑜𝑗𝑢2 𝑣3

𝑒3 = ‖𝑢3 ‖

1

𝑢𝑘 = 𝑣𝑘 − ∑𝑘−1 𝑗=1 𝑝𝑟𝑜𝑗𝑢𝑗 𝑣𝑘

(2.7)

𝑢2 ‖𝑢2‖ 𝑢

3

𝑒𝑘 =

𝑢𝑘 ‖𝑢𝑘 ‖

𝑢1 , … , 𝑢𝑘 diperlukan untuk vektor orthogonal, dan vektor normal 𝑒1 , … , 𝑒𝑘 , membentuk himpunan orthonormal. Berdasarkan metode tersebut, untuk 𝑆 = {𝑣1 , 𝑣2 , … , 𝑣𝑛 }, dapat ditemukan vektor𝑣𝑘 (yang diinginkan) yang memiliki orthogonality maksimum dan orthogonality minimum untuk vektor yang lain sesuai 𝑁 dimensi subruang (). Vektor 𝑤𝑘 dapat dihitung dengan persamaan2.8 dan hasil inner product dalam set S oleh 𝑤𝑘 sesuai dengan persamaan2.9 (Rezatofighi, 2009). 𝑤𝑘 = 𝑣𝑘 − ∑𝑘−1 𝑗=1 𝑝𝑟𝑜𝑗𝑣𝑗 𝑣𝑘

(2.8)

〈𝑣 , 𝑤 〉 = 0 { 𝑗 𝑘 〈𝑣𝑘 , 𝑤𝑘 〉 = 𝐾

(2.9)

2.3.3

𝑗 ∈ 1, . . , 𝑛 𝑑𝑎𝑛 𝑗 ∉ 𝑘 𝐾≠0

Operasi Morfologi Dalam pengolahan citra konsep matematika morfologi digunakan untuk

mendapatkan atau mengekstrak komponen dari suatu gambar yang berguna untuk 15

merepresentasikan dan mendeskripsikan suatu bentuk, seperti boundaries, skeletons dan convex hull. Teknik morfologi juga digunakan untuk preprocessing dan postprocessing, seperti morfologi filtering, thining dan pruning, selain itu teknik morfologi, biasanya diterapkan untuk menghapus noise selama proses segmentasi. Dua operasi morfologi yang paling dasar adalah dilasi dan erosi, yang kemudian dikembangkan menjadi opening dan closing. Proses dalam dilasi adalah penambahan dan penebalan dalam citra biner. Penebalan dalam citra dikontrol oleh bentuk structuring elemen (strel) yang digunakan. Dilasi sangat berguna ketika diterapkan dalam objek-objek yang terputus akibat hasil pengambilan citra yang terganggu oleh noise, kerusakan objek yang dijadikan citra atau disebabkan oleh resolusi yang jelek. Erosi adalah proses pengecilan atau menipiskan objek pada citra biner. Jumlah piksel yang dikecilkan atau ditipiskan dari batas objek pada citra tergantung pada ukuran dan bentuk dari strel yang digunakan. Erosi dapat dianggap sebagai operasi morfologi filtering karena detail citra yang lebih kecil dari strel akan dihilangkan dari citra (Abbas, Amel H; Kareem, Aryan A; Kamil, 2015). Dua morfologi lain yang penting adalah opening dan closing. Opening secara umum menghaluskan garis-garis bentuk objek, menghilangkan bagianbagian yang sempit, dan menghilangkan penonjolan-penonjolan yang tipis. Closing cenderung menghaluskan garis-garis bentuk tetapi kebalikan dari opening, secara umum closing menolak pecahan-pecahan sempit dan teluk yang panjang dan tipis, menghilangkan lubang kecil dan mengisi gap pada garis-garis bentuk (contour). 2.4

Metode Pemisahan Sel Bertumpuk Pada Citra Mikroskopis Sel Kanker Payudara

2.4.1

Fuzzy C-Means Clustering Clustering adalah proses pengelompokan dataset yang tidak memiliki label

berdasarkan pengukuran kemiripan antara pola-pola data. Sebuah klaster berisi pola-pola yang sama yang ditempatkan bersama. Teknik pengelompokan fuzzy menghasilkan partisi fuzzy dari data. Pola-pola data yang mungkin menjadi anggota beberapa cluster memiliki nilai membership yang berbeda dengan cluster lainnya. 16

Nilai membership dari sebuah pola data ke cluster menunjukan kemiripan antara pola data yang diberikan dengan cluster (Beevi et al., 2010). Clustering dengan metode Fuzzy C-Means (FCM) didasarkan pada teori logika fuzzy. Teori ini pertama kali diperkenalkan olej Lofti Zadeh (1965) dengan nama himpunan (fuzzy set). Dalam teori fuzzy, keanggotaan sebuah data tidak diberikan secara tegas dengan nilai 1 (anggota) dan 0 (bukan anggota), melainkan dengan suatu nilai derajat keanggotaan yang jangkauan nilainya 0 sampai 1. Semakin tinggi nilai keanggotaannya maka semakin tinggi derajat keanggotaannya, dan semakin kecil nilai keanggotaannya maka semakin rendah derajat keanggotaannya. FCM merupakan versi fuzzy dari K-Means dengan beberapa modifikasi yang membedakannya (Prasetyo, 2014). Jika diasumsikan sejumlah data dalam himpunan data 𝑋 yang berisi 𝑛 data yang dinotasikan 𝑋 = {𝑥1 , 𝑥2 , … , 𝑥𝑛 }, dimana setiap data mempunyai fitur 𝑟 dimensi 𝑥𝑖1 , 𝑥𝑖2 , … , 𝑥𝑖𝑟 , yang dinotasikan 𝑥𝑖 = {𝑥𝑖1 , 𝑥𝑖2 , … , 𝑥𝑖𝑟 }. Ada sejumlah cluster 𝐶 dengan centroid 𝑐1, 𝑐2 , … , 𝑐𝑘 , yang mana 𝑘 adalah jumlah cluster. Setiap data mempunyai derajat keanggotaan pada setiap cluster, dinyatakan dengan 𝑢𝑖𝑗 , pada persamaan 2.12, 𝑖 menyatakan data 𝑥𝑖 dan 𝑗 menyatakan 𝑐𝑗 . Jumlah nilai derajat keanggotaan setiap data 𝑥𝑖 selalu sama dengan 1 seperti pada persamaan 2.10 (Prasetyo, 2014). ∑𝑘𝑗=1 𝑢𝑖𝑗 = 1

(2.10)

Untuk cluster 𝑐𝑗 , setiap cluster berisi paling sedikit satu data dengan nilai keanggotaan tidak nol, namun tidak berisi derajat satu pada semua data. Cluster 𝑐𝑗 dapat diformulasikan pada persamaan2.11 0 < ∑𝑛𝑖=1 𝑢𝑖𝑗 < 𝑛

(2.11)

−2

𝑢𝑖𝑗 =

𝐷(𝑥𝑖 ,𝑐𝑗 )𝑤−1

(2.12)

−2

𝑤−1 ∑𝑘 𝑙=1 𝐷(𝑥𝑖 ,𝑐𝑖 )

Parameter 𝑐𝑗 adalah centroid cluster ke- 𝑗, 𝐷() adalah jarak data dan centroid, sedangkan 𝑤 adalah parameter bobot pangkat (weighting exponent). 𝑤 tidak memiliki nilai ketetapan, biasanya nilai 𝑤 > 1 dan umumnya diberi nilai 2. Untuk menghitung centroid pada cluster 𝑐𝑙 pada fitur 𝑗, digunakan persamaan 2.13, 17

dengan parameter 𝑁 adalah jumlah data, 𝑤 adalah bobot pangkat, dan 𝑢𝑖𝑗 adalah derajat keanggotaan data 𝑥𝑖 ke cluster 𝑐𝑙 . Sementara, fungsi objektif menggunakan persamaan 2.14(Prasetyo, 2014). 𝑐𝑙𝑗 =

𝑤 ∑𝑁 𝑖=1(𝑢𝑖𝑙 ) 𝑥𝑖𝑗

(2.13)

𝑤 ∑𝑁 𝑖=1(𝑢𝑖𝑙 )

𝑤

𝑘 2 𝐽 = ∑𝑁 𝑖=1 ∑𝑙=1(𝑢𝑖𝑗 ) 𝐷 (𝑥𝑖 , 𝑐𝑙 )

(2.14)

Secara prinsip, algoritma FCM memiliki kesamaan dengan K-Means. Seperti yang ditunjukkan pada beberapa tahapan algoritma FCM berikut (Prasetyo, 2014): 1. Inisialisasi : menentukan jumlah cluster (𝑘 ≥ 2), menentukan bobot pangkat (𝑤 ≥ 1), menentukan jumlah maksimal iterasi, menentukan nilai ambang batas perubahan fungsi objektif 2. Berikan nilai awal pada matriks fuzzy pseudo-partition, dengan syarat seperti pada persamaan 2.10. 3. Lakukan langkah 4 sampai 5 selama syarat masih terpenuhi: (1) apabila perubahan objektif masih di atas nilai ambang batas yang ditentukan; atau (2) iterasi maksimal belum tercapai. 4. Hitung nilai centroid dari masing-masing cluster menggunakan persamaan 2.13 5. Hitung kembali matriks fuzzy pseudo-partition (derajat keanggotaan setiap data pada setiap cluster) menggunakan persamaan 2.12 2.4.2

Spatial Fuzzy C-Means Salah satu karakteristik penting sebuah citra adalah ketetanggaan piksel

yang berkorelasi tinggi. Dengan kata lain, ketetanggaan piksel memiliki kemiripan nilai fitur, dan kemungkinan mereka berada dalam cluster yang sama sangat besar. Hubungan spasial adalah penting dalam clustering, tetapi hal ini tidak digunakan pada FCM standar. Sehingga algoritma FCM standar sangat rentan terhadap noise. Untuk mengatasi kelemahan tersebut (Li & Shen, 2010) memanfaatkan informasi spasial yang dibentuk menggunakan distribusi statistika dari ketetanggaan piksel dan prior probability untuk memperoleh sebuah membership function baru yang 18

gunakan pada clustering (dijelaskan pada Bab selanjutnya). Metode ini tidak hanya efektif untuk menghapus noise tetapi juga untuk mengurangi kesalahan pengelompokan piksel. Algoritma SFCM yang dipaparkan dalam penelitian (Li & Shen, 2010) dapat dinotasikan ke dalam tahapan-tahapan berikut: 1) Menentukan nilai 𝑐,𝑚, 𝜀 dan mengatur 𝑙 = 0, melakukan inisialisasi nilai 𝑈0 dan 𝑉 0 2) Menghitung spatial function dan Prior Probability sesuai Persamaan 3.1 dan Persamaan 3.2 3) Memperbaharui keanggotaan matriks 𝑈 ∗(𝑙) dan matriks centroid 𝑉 ∗(𝑙) menggunakan Persamaan 3.3 dan Persamaan 2.13 4) Memperbaharui perhitungan, jika ‖𝑣 ∗(𝑙+1) − 𝑣 ∗(𝑙) ‖ < 𝜀, maka berhenti, jika tidak maka 𝑙 = 𝑙 + 1 dan lanjutkan ke tahapan nomor 2. 2.4.3

Rapid Region Merging Metode Rapid Region Merging merupakan metode penggabungan daerah

yang pada citra yang memiliki kemiripan maksimum. Penggabungan daerah oversegmentation, dilakukan berdasarkan perhitungan maximum similarity (Chen & Chen, 2014). Tahapan penggabungan daerah menggunakan algoritma rapid region merging dimulai dengan menentukan terlebih dahulu daerah yang pseudo-blob dan daerah yang real-blob. Selanjutnya daerah yang dianggap sebagai daerah pseudoblob atau daerah yang terbentuk akibat oversegmentation akan diproses dengan menghitung nilai kemiripannya dengan daerah real-blob yang merupakan tetangganya atau yang memiliki

region adjacent dengan pseudo-blob.

Penggabungan daerah pseudo-blob dan real-blob berdasarkan nilai maximum similar region. Daerah tetangga yang memiliki nilai maximum similarity akan ditandai sebagai winner block P. Berdasarkan Gambar 3.6, winner block P, ditandai berdasarkan Persamaan 2.15 dan parameter yang digunakan untuk menghitung kemiripan antara pseudo-blob dan real-blob adalah gray level contrasts𝐺 (𝑎, 𝑏), kemiripan ridge 𝐸 (𝑎, 𝑏) dan region adjacency𝐴(𝑎, 𝑏)(Chen & Chen, 2014). 19

𝐵𝑙𝑜𝑐𝑘 𝑃 = 𝑀𝑎𝑥(𝑆𝑖𝑚(𝑎, 𝑏), 𝑆𝑖𝑚(𝑎, 𝑐 ), 𝑆𝑖𝑚 (𝑎, 𝑑)

(2.15)

Penggabungan daerah menggunakan metode Rapid Region Merging dilakukan dengan cara menghitung kemiripan daerah yang dianggap sebagai daerah oversegmentation atau pseudo-blob dengan sel tetangganya yang dianggap realblob. Untuk menghitung kemiripan antara cluster, parameter yang digunakan adalah gray level contrasts 𝐺 (𝑎, 𝑏), kemiripan ridge 𝐸 (𝑎, 𝑏) dan region adjacency 𝐴(𝑎, 𝑏) mengikuti Persamaan 3.9. Gray level contrasts 𝐺 (𝑎, 𝑏) dihitung berdasarkan jumlah piksel di region a 𝑅𝑎 dan region b 𝑅𝑏 serta rata-rata keabuan pada region a 𝜇𝑎 dan region b 𝜇𝑏 mengikuti Persamaan 3.6. Kemiripan ridge 𝐸 (𝑎, 𝑏) dihitung berdasarkan 𝜎 rata-rata keabuan piksel di daerah boundary pada kedua sisi ridge dan 𝜋 variasi keabuan piksel didaerah boundary pada kedua sisi. Jika ridge adalah boundary, gray level piksel pada kedua sisi akan menunjukkan perubahan yang signifikan, |𝜋𝑎 − 𝜋𝑏 | akan menjadi lebih besar sedangkan 𝜎𝑎 dan 𝜎𝑏 akan menjadi lebih kecil. Sehingga, untuk perhitungan ditambahkan 1 sebagai pembilang dan penyebut untuk menghindari |𝜋𝑎 − 𝜋𝑏 | dan 𝜎𝑎 + 𝜎𝑏 jika salah satu bernilai 0 seperti pada Persamaan 3.7. Untuk region adjacency 𝐴(𝑎, 𝑏) mengikuti Persamaan 3.8(Chen & Chen, 2014) . 

Ketetanggaan Piksel dan Adjacency Sebuah piksel pada koordinat (𝑥, 𝑦), memiliki empat ketetanggaan vertikal

dan horisontal dimana koordinatnya didapat dari : (𝑥 + 1, 𝑦), (𝑥 − 1, 𝑦), (𝑥, 𝑦 + 1), (𝑥, 𝑦 − 1)

(2.16)

Himpunan piksel ini disebut empat ketetanggaan dari 𝑝, yang di notasikan dengan 𝑁4 (𝑝). Setiap piksel adalah sebuah unit distance dari (𝑥, 𝑦)dan beberapa lokasi ketetanggaan dari 𝑝 berada di luar citra jika (𝑥, 𝑦)berada pada batas gambar. Empat ketetanggaan diagonal dari 𝑝 memiliki koordinat mengikuti Persamaan 2.17 yang dinotasikan dengan 𝑁𝐷 (𝑝). Pada ketetanggaan ini, bersama dengan ketetanggaan empat disebut ketetanggaan 8 dari 𝑝, atau dinotasikan 𝑁8 (𝑝). Sama seperti sebelumnya, beberapa lokaso ketetanggaan pada 𝑁𝐷 (𝑝) dan 𝑁8 (𝑝) berada di luar citra jika(𝑥, 𝑦) berada pada batas gambar (Gonzalez & Woods, 2002) . (𝑥 + 1, 𝑦 + 1), (𝑥 + 1, 𝑦 − 1), (𝑥 − 1, 𝑦 + 1), (𝑥 − 1, 𝑦 − 1) 20

(2.17)

Piksel-piksel di dalam region disebut connected (memiliki konektivitas) bila mematuhi aturan adjacency atau kedekatan piksel. Aturan kedekatan piksel ini memanfaatkan sifat ketetanggaan piksel, sehingga piksel-piksel yang dikatakan connected pada dasarnya memiliki sidat adjacency satu sama yang lain karena setiap piksel masih memiliki hubungan ketetanggaan. Jika 𝑉adalah himpunan dari nilai-nilai intensitas yang digunakan untuk menyatakan adjacency. Pada citra biner, 𝑉 = {1} jika mengacu untuk Adjacency dari piksel-piksel dengan nilai 1. Menurut (Gonzalez & Woods, 2002), terdapat tiga jenis adjacency, yaitu: 1) 4-adjacency, dua piksel 𝑝 dan 𝑞 dengan nilai dari 𝑉 adalah 4-adjacent jika 𝑞 adalah anggota dari himpunan 𝑁4 (𝑝). 2) 8-adjacency, dua piksel 𝑝 dan 𝑞 dengan nilai dari 𝑉 adalah 8-adjacent jika 𝑞 adalah anggota dari himpunan 𝑁8 (𝑝). 3) m-adjacency (mixed adjacency), piksel 𝑝 dan 𝑞 dengan nilai dari 𝑉 adalah madjacency jika (i) 𝑞 adalah anggota himpunan 𝑁4 (𝑝), atau (ii) 𝑞 adalah anggota himpunan 𝑁𝐷 (𝑝), dan himpunan 𝑞 adalah anggota himpu.nan 𝑁4 (𝑝)⋂ 𝑁4 (𝑞) tidak memiliki piksel yang bernilai 𝑉 Jika 𝑅 adalah sebuah subset dari piksel-piksel dari sebuah citra, 𝑅 disebut sebuah region dari citra jika 𝑅 adalah himpunan connected. Dua region,𝑅𝑖 dan 𝑅𝑗 dikatakan adjacent jika piksel-piksel mereka merupakan himpunan connected. dua region yang tidak adjecent disebut disjoint. Untuk dua region yang dikatakan adjacency bisa dilihat pada Gambar 2.4. Berdasarkan tiga definisi adjacency, maka contoh Gambar 2.5 hanya dikatakan adjacent jika mengikuti sifat 8-adjacency. 1 1 1 1 0 1} 𝑅𝑖 0 1 0 0 0 1 1 1 1} 𝑅𝑗 1 1 1 Gambar 2. 4 Contoh Dua Region yang adjacent dengan 8-Adjacency (Gonzalez & Woods, 2002) 21

[Halaman ini sengaja dikosongkan]

22

BAB III METODE PENELITIAN Pada bab ini akan dijelaskan metode penelitian yang digunakan pada penelitian ini. Beberapa pokok bahasan yang akan dipaparkan adalah meliputi tahapan penelitian, dataset yang digunakan, rancangan sistem, skenario uji coba dan implementasi. 3.1

Tahapan Penelitian Secara umum tahapan penelitian ini yang akan dilakukan pada penelitian ini

dijelaskan pada Gambar 3.1

Studi Literatur

Analisis dan Desain Sistem

Implementasi

Uji coba dan Analisis

Penulisan Laporan Gambar 3. 1 Tahapan Penelitian 3.1.1

Tahapan Studi Literatur Tahapan studi literatur adalah tahapan pencarian informasi dan referensi

penelitian-penelitian sebelumnya yang terkait dengan informasi diagnosis kanker payudara, pengolahan citra secara umum, metode-metode segmentasi 23

dan

pemisahan sel kanker payudara pada citra mikroskopis sel kanker payudara serta kajian tentang algoritma Spatial Fuzzy C-Means dalam melakukan pemisahan sel bertumpuk pada citra mikroskopis kanker payudara dan Rapid Region Merging dalam penanganan masalah oversegmentation. 3.1.2

Tahapan Analisis dan Desain Sistem Pada tahap analisis dilakukan perumusan masalah, batasan-batasan masalah

dan bagaimana menyelesaikan masalah tersebut. Permasalahan yang diangkat pada penelitian ini adalah bagaimana melakukan segmentasi dan pemisahan sel bertumpuk pada citra mikroskopis sel kanker payudara. Pada tahap desain sistem dilakukan perancangan sistem untuk proses segmentasi dan pemisahan sel bertumpuk pada citra mikroskopis sel kanker payudara berdasarkan hasil tahap analisis. Pada tahapan desain sistem ini, dijelaskan secara lebih detail mengenai data masukan atau dataset, tahapan proses segmentasi dan tahapan pemisahan sel bertumpuk, dan skenario uji coba yang akan dilakukan. 3.1.3

Tahapan Implementasi Tahapan implementasi adalah tahapan penerapan tahapan desain sistem

dengan harapan tahapan ini menghasilkan keluaran yang sesuai dengan tahap analisis. Pada penelitian ini, sistem akan diimplementasikan menggunakan Matlab R2015a. 3.1.4

Tahapan Uji Coba dan Analisis Hasil Sistem yang telah diimplementasikan sesuai dengan desain sistem akan diuji

coba pada tahapan ini. Uji coba dilakukan sesuai dengan skenario uji coba yang dirancang pada tahap desain sistem. Berdasarkan hasil uji coba tersebut sistem nantinya akan dianalisis untuk mengetahui performa dari sistem yang dibangun. 3.1.5

Tahapan Penulisan Laporan Pada tahapan ini merupakan penulisan laporan dari keseluruhan tahapan

yang dilakukan pada penelitian ini. Setiap tahapan akan didokumentasikan secara tertulis sebagai bukti dari hasil penelitian yang dilakukan. 24

3.2

Analisis dan Desain Sistem Secara garis besar, proses segmentasi sel bertumpuk pada citra mikroskopis

sel kanker payudara terbagi atas dua tahapan penting, yaitu tahapan segmentasi untuk identifikasi atau mengambil objek sel kanker dan tahapan pemisahan sel bertumpuk. Citra yang digunakan pada penelitian ini adalah citra RGB berupa citra mikroskopis sel kanker payudara. Identifikasi sel kanker payudara dilakukan berdasarkan metode Gram-Schmidt dan Pemisahan sel kanker bertumpuk diusulkan kombinasi metode Spatial Fuzzy C-Means dan Rapid Region Merging untuk mengurangi masalah oversegmentation. Pada gambar 3.3 digambarkan secara umum desain sistem dan letak kontribusi pada penelitian ini. 3.2.1

Dataset Data uji coba yang digunakan pada penelitian ini adalah citra mikroskopis

sel kanker payudara yang terbagi dalam dua jenis data yaitu data benign dan malignant, yang berukuran 896 × 768 pixel, seperti pada Gambar 3.2. Dataset yang digunakan dapat diunduh di www.bioimage.ucsb.edu.

(a)

(b)

(c)

(d) (f) (g) Gambar 3. 2 Citra RGB Berupa Citra Mikroskopis Sel Kanker Payudara (a)-(c) Citra Data Benign (d)-(g) Citra Data Malignant 25

Mulai

Citra Mikroskopis Sel Kanker Payudara

Segmentasi Sel Kanker (Gram Schmidt)

Deteksi Sel Bertumpuk (Fitur Geometri)

Bertumpuk

Ya

Pemisahan sel bertumpuk (SFCM dan rapid region merging)

Tidak

Citra Hasil Segmentasi Sel Bertumpuk

Selesai

Gambar 3. 3 Gambaran Umum Desain Sistem Segmentasi Sel Bertumpuk Pada Citra Mikroskopis Sel Kanker Payudara 3.2.2

Segmentasi Citra Mikroskopis Sel Kanker Payudara Segmentasi citra mikroskopis sel kanker payudara bertujuan untuk

memisahkan sel kanker payudara dengan objek yang bukan sel kanker payudara.

26

Pada Gambar 3.5 diperlihatkan flowchart segmentasi citra mikroskopis sel kanker payudara. Pada metode Gram Schmidt, sebuah vektor bobot dihitung untuk memperkuat vektor warna dari sel kanker dan melemahkan vektor-vektor warna yang tidak diinginkan, seperti background. Pada citra mikroskopis sel kanker payudara, warna sel kanker cenderung lebih gelap dari objek lainnya. Nilai vektor warna yang digunakan pada penelitian ini ditetapkan berdasarkan perhitungan ratarata vektor warna dari tiga dataset yang dipilih secara random, yang dapat dilihat pada tabel 3.1. Di mana vektor warna 1 adalah vektor warna yang diperkuat atau diidentifikasi sebagai sel kanker dan vektor warna 2 dan vektor warna 3 adalah vektor warna yang ditentukan untuk melemahkan objek yang dianggap derau dan background. Setelah identifikasi sel kanker maka akan dilakukan segmentasi sel kanker payudara berdasarkan nilai thresholding. Nilai ini ditentukan berdasarkan nilai uji coba terbaik yang dilakukan secara random terhadap dataset dengan memasukkan nilai dalam rentan 0,01 sampai 0,08 (dapat dilihat pada Gambar 4.1). Tahapan terakhir untuk skema segmentasi sel kanker payudara adalah menerapkan operasi morfologi pada citra hasil thresholding untuk menghapus derau. Tabel 3. 1 Vektor Warna RGB pada Gram-Schmidt Vektor Warna 1

Vektor Warna RGB [97 65 172]

Vektor Warna 2

[197 145 217]

Vektor Warna 3

[236 182 231]

3.2.3

Pemisahan Sel Bertumpuk Pada Citra Mikroskopis Sel Kanker Payudara Citra masukan pada proses pemisahan sel bertumpuk adalah citra hasil

segmentasi pada tahap sebelumnya. Langkah awal untuk melakukan pemisahan sel bertumpuk adalah dengan mendeteksi sel kanker payudara bertumpuk. Pendeteksian sel kanker bertumpuk pada citra mikroskopis sel kanker payudara dilakukan berdasarkan informasi fitur geometri sel kanker. Algoritma SFCM 27

clustering digunakan untuk memisahkan sel kanker bertumpuk. Selanjutnya, diterapkan metode Rapid Region Merging untuk penggabungan daerah yang oversegmentation. Gambar 3.6 menampilkan tahapan dalam proses pemisahan sel kanker bertumpuk menggunakan algoritma SFCM dan Rapid Region Merging.

Mulai

Citra Mikroskopis Sel Kanker Payudara

Gram Schmidt

Normalisasi matriks [0 1]

Thresholding

Operasi Morfologi

Citra Hasil Segmentasi

Selesai

Gambar 3. 4 Flowchart Identifikasi Sel 28

Citra Hasil Segmentasi

Mulai

Fitur Geometri

T

Sel Tunggal

Area>340

Y

Inisialisasi nilai ambang batas, bobot, maksimum iterasi, nilai p dan q

Sel Bertumpuk

Identifikasi Jumlah cluster (asumsi jumlah bertumpuk)

Menentukan Nilai fuzzy awal & hitung centroid awal

Hitung Spatial Function dan Probabilitas ketetanggaan

T Perbaharui nilai fuzzy dan nilai objektif

Memenuhi syarat ambang batas/ maksimum iterasi?

Real Blob

Penentuan daerah oversegmentasi

Y

T

Area<½(340)

Y Pseudo-Blob

Gabungkan real blob dan pseudo blob

Y

Pseudo blob = jumlah cluster

T Hitung Kemiripan

Citra hasil pemisahan sel bertumpuk

Gabungkan Pseudo dengan block P

Selesai

Gambar 3. 5 FLowchart Pemisahan Sel Kanker Bertumpuk 29

3.2.3.1

Deteksi Sel Bertumpuk Deteksi sel bertumpuk pada penelitian ini dilakukan berdasarkan

informasi fitur geometri. Fitur geometri yang digunakan adalah informasi area atau luas objek yang merupakan jumlah piksel dari objek yang menunjukkan ukuran dari sel kanker payudara. Pada penelitian ini, penentuan sel kanker bertumpuk adalah dengan menentukan nilai threshold. Setelah dilakukan analisis fitur geometri area terhadap seluruh dataset dan dilakukan uji coba pada beberapa dataset maka ditentukan fitur geometri area yang digunakan sebagai nilai threshold adalah nilai fitur geometri area yang ditentukan berdasarkan uji coba. Setiap objek yang memiliki nilai fitur area di atas dari nilai threshold akan dianggap sebagai sel kanker bertumpuk dan yang memiliki nilai sama dengan atau kurang dari fitur area adalah sel tunggal. 3.2.3.2

Pemisahan Sel Bertumpuk Algoritma Spatial Fuzzy C-Means Clustering (SFCM) merupakan

algoritma yang dikembangkan dari fuzzy c-means clustering tradisional. Algoritma SFCM mengembangkan informasi spasial yang dibentuk menggunakan distribusi statistika dari ketetanggaan piksel berdasarkan perhitungan probabilitas yang tidak hanya robust terhadap noise tapi juga mengurangi kesalahan pengelompokan piksel. Spatial function didefinisikan seperti pada Persamaan 3.1, Di mana 𝑥𝑗 merepresentasikan nilai fitur,Ω merepresentasikan sebuah jendela persegi yang titik tengahnya berada pada piksel 𝑥𝑗 . ℎ𝑖𝑗 merepresentasikan probabiltas piksel 𝑥𝑗 menjadi anggota sebuah klaster. Pada spatial function, 𝑐 merupakan jumlah cluster yang diinginkan, 𝑃𝑖𝑗 adalah faktor kontribusi dari tetangga 𝑥𝑡 dan bobot 𝑢𝑖𝑡 adalah membership pattern𝑥𝑡 . Secara umum, prior probability dari 𝑝𝑖𝑗 merupakan hasil perbandingan dari 𝑁𝑗𝑖 jumlah ketetanggaan piksel yang menjadi anggota cluster dan 𝑁𝑗 jumlah ketetanggaan piksel pada 𝑥𝑗 , yang dinotasikan kedalam Persamaan 3.2 (Li & Shen, 2010). ℎ𝑖𝑗 = 1 + (∑𝑐

∑𝑡∈Ω 𝑢𝑖𝑡 𝑝𝑖𝑗 j

𝑘=1 ∑𝑡𝜖Ω𝑗 𝑢𝑘𝑡 𝑝𝑘𝑗

)

(3.1) 30

𝑝𝑖𝑗 =

𝑁𝑗𝑖

(3.2)

𝑁𝑗

Untuk fuzzy membership dihitung mengikuti Persamaan 3.3. di mana 𝑝 dan 𝑞 adalah parameter untuk mengontrol relative importance dari kedua function. Pada penelitian ini nilai 𝑝 dan 𝑞 adalah 1. Untuk penentuan titik pusat atau centroid ditetapkan berdasarkan pada Persamaan2.13 dan untuk cost function dihitung menggunakan persamaan 3.4 (Li & Shen, 2010). Penentuan jumlah cluster pada penelitian ini adalah berdasarkan perhitungan sesuai dengan Persamaan 3.5, di mana 𝑎 adalah fitur geometri area bertumpuk, 𝑏 adalah nilai threshold bertumpuk dan 𝑐 adalah nilai threshold sebesar. Nilai 𝑐 akan ditentukan berdasarkan hasil uji coba terhadap dataset. 𝑝

∗ 𝑢𝑖𝑗 = ∑𝑐

𝑞

𝑢𝑖𝑗 ℎ𝑖𝑗

(3.3)

𝑝 𝑞 𝑘=1 𝑢𝑘𝑗 ℎ𝑘𝑗

𝑚

∗ ∗ ( ) 𝐽𝑚 𝑈, 𝑉 ) = ∑𝑐𝑖=1 ∑𝑛𝑗=1(𝑈𝑖𝑗∗ ) (𝑑𝑖𝑗

2

(3.4)

𝑘 = 𝑎⁄ 𝑏 (𝑐)

(3.5)

Tahapan dalam metode Spatial Fuzzy C-Means yang diterapkan pada penelitian ini, dapat disimpulkan ke dalam tahapan-tahapan berikut. 1. Inisialisasi : Menentukan jumlah cluster berdasarkan asumsi banyaknya sel tunggal yang menumpuk pada daerah yang dianggap sel bertumpuk dengan mengikuti perhitungan seperti pada persamaan 3.5, menentukan bobot pangkat (𝑤 ≥ 1), menentukan jumlah maksimal iterasi, menentukan nilai ambang batas perubahan fungsi objektif 2. Memberikan nilai awal pada matriks fuzzy pseudo-partition, dengan syarat seperti pada persamaan 2.10. dan hitung nilai centroid awal menggunakan persamaan 2.13 3. Menghitung spatial function dan prior probability ketetanggaan menggunakan persamaan 3.1 dan 3.2 4. Menghitung

kembali

keanggotaan

matriks

fuzzy

pseudo-partitiion

menggunakan persamaan 3.3 dan memperbaharui nilai centroid 31

5. Memperbaharui perhitungan, jika memenuhi syarat (1) maksimum iterasi, atau (2) perubahan nilai objektif di bawah nilai ambang batas, maka berhenti. Jika tidak kembali ke tahapan ke 2. 3.2.3.3 Penggabungan Daerah Penggabungan daerah menggunakan metode Rapid Region Merging dilakukan dengan cara menghitung kemiripan daerah yang dianggap sebagai daerah oversegmentation atau pseudo-blob dengan sel tetangganya. Pada penelitian ini, semua sel bertumpuk yang telah dikelompokkan akan diproses tahapan penggabungan daerah. Langkah awal pada metode ini adalah penentuan daerah pseudo-blob, daerah pseudo-blob adalah daerah yang dihasilkan akibat oversegmentation dari hasil pemisahan sel bertumpuk berdasakan Spatial Fuzzy CMeans. Daerah pseudo-blob ditentukan berdasarkan nilai threshold, semua sel yang memiliki nilai fitur luas di bawah dari nilai threshold ditandai sebagai pseudo-blob. Selanjutnya, akan dicari daerah pemenang atau Block P yang merupakan daerah tetangga yang memiliki kemiripan paling tinggi dengan pseudo-blob dibandingkan dengan anggota tetangganya yang lain. Kemudian daerah yang ditandai sebagai pseudo-blob akan digabungkan dengan block P. Pada penelitian ini, ditambahkan sebuah parameter baru untuk penggabungan daerah, yaitu jika jumlah pseudo-blob pada daerah sel bertumpuk sama banyaknya dengan jumlah cluster, maka daerah sel bertumpuk tersebut adalah sel tunggal. Sehingga semua daerah tersebut akan digabungkan. Contoh pada Gambar 3.6, di ilustrasikan jika A adalah sebuah daerah yang ditandai sebagai pseudo-blob

maka A akan dibandingkan kemiripannya dengan daerah

ketetanggaannya yaitu daerah B, C dan D. Region yang mendapatkan Maximum similarity atau kemiripan paling maksimum akan menjadi winner block P dan akan digabungkan daerahnya dengan daerah A. Jika daerah A,B,C,D,E dan F adalah daerah yang nilai fitur areanya di bawah dari nilai threshold maka daerah A,B,C,D,E dan F adalah sel tunggal dan digabungkan menjadi satu daerah. Untuk menghitung kemiripan antara cluster, parameter yang digunakan adalah gray level contrasts 𝐺 (𝑎, 𝑏), kemiripan ridge 𝐸 (𝑎, 𝑏) dan region adjacency 𝐴(𝑎, 𝑏) mengikuti Persamaan 3.9. Gray level contrasts 𝐺 (𝑎, 𝑏) dihitung 32

berdasarkan jumlah piksel di region a 𝑅𝑎 dan region b 𝑅𝑏 serta rata-rata keabuan pada region a 𝜇𝑎 dan region b 𝜇𝑏 mengikuti Persamaan 3.6. Kemiripan ridge 𝐸 (𝑎, 𝑏) dihitung berdasarkan 𝜎 rata-rata keabuan piksel di daerah boundary pada kedua sisi ridge dan 𝜋 variasi keabuan piksel didaerah boundary pada kedua sisi. Jika ridge adalah boundary, gray level piksel pada kedua sisi akan menunjukkan perubahan yang signifikan, |𝜋𝑎 − 𝜋𝑏 | akan menjadi lebih besar sedangkan 𝜎𝑎 dan 𝜎𝑏 akan menjadi lebih kecil. Sehingga, untuk perhitungan ditambahkan 1 sebagai pembilang dan penyebut untuk menghindari |𝜋𝑎 − 𝜋𝑏 | dan 𝜎𝑎 + 𝜎𝑏 jika salah satu bernilai 0 seperti pada Persamaan 3.7. Untuk region adjacency 𝐴(𝑎, 𝑏) mengikuti Persamaan 3.8(Chen & Chen, 2014) . 𝐺 (𝑎, 𝑏) = 𝐸 (𝑎, 𝑏) =

𝑅𝑎 −𝑅𝑏 𝑅𝑎 +𝑅𝑏

(𝜇𝑎 − 𝜇𝑏 ) 2

(3.6)

|𝜋𝑎 −𝜋𝑏 |+ 1

(3.7)

𝜎𝑎 +𝜎𝑏 + 1

B

Sim A,B

F A

Sim A,C

E

B

C

D A Sim A,D

C

D

Gambar 3. 6 Aturan Penggabungan Daerah Menggunakan Metode Rapid Region Merging (Chen & Chen, 2014) 1 𝑎 𝑑𝑎𝑛 𝑏 𝑎𝑑𝑗𝑎𝑐𝑒𝑛𝑡 𝐴(𝑎, 𝑏) = { ∞ 𝑎 𝑑𝑎𝑛 𝑏 𝑡𝑖𝑑𝑎𝑘 𝑎𝑑𝑗𝑎𝑐𝑒𝑛𝑡 1

𝑆𝑖𝑚(𝑎, 𝑏) = 𝐺(𝑎,𝑏).𝐸(𝑎,𝑏).𝐴(𝑎,𝑏)

3.3

(3.8) (3.9)

Skenario Uji Coba Pada penelitian ini dilakukan beberapa skenario uji coba, antara lain :

33

1. Mengukur performa segmentasi metode yang diusulkan dengan menghitung nilai MSE berdasarkan groundtruth 2. Membandingkan metode yang diusulkan yaitu kombinasi metode Spatial Fuzzy C-Means Clustering dan Rapid Region Merging dengan 2 metode lain, yaitu metode Spatial Fuzzy C-Means dan metode K-Means Clustering untuk mengukur performa pemisahan sel bertumpuk pada citra mikroskopis sel kanker payudara berdasarkan perhitungan jumlah sel kanker payudara secara manual. Untuk mengukur seberapa signifikan peningkatan performa metode yang diusulkan dilakukan perhitungan 𝑢𝑗𝑖 − 𝑡 dalam pengujian hipotesis rata-rata dua sampel yang berpasangan. 3.4

Analisis Hasil Berdasarkan hasil uji coba skenario pertama, maka akan dilakukan

pengukuran performa metode yang diusulkan dengan menghitung nilai Mean Square Error (MSE) atau rata-rata error. Nilai MSE merupakan hasil perbandingkan nilai selisih piksel-piksel pada citra asal 𝑓 (𝑥, 𝑦)dengan piksel-piksel pada citra hasil 𝑔(𝑥, 𝑦)di posisi piksel yang sama. Semakin kecil nilai MSE yang diperoleh maka semakin tinggi akurasi segmentasi dan pemisahan sel bertumpuk pada citra mikroskopis sel kanker payudara. Secara matematis perhitungan nilai MSE dapat ditulis sebagai berikut : 𝑀𝑆𝐸 =

1 𝑀𝑁

𝑁 2 ∑𝑀 𝑥=1 ∑𝑦=1[𝑓 (𝑥, 𝑦 ) − 𝑔(𝑥, 𝑦 )]

(3.9)

Analisis hasil untuk uji coba skenario kedua adalah membandingkan ratarata nilai akurasi dari metode yang diusulkan dengan metode SFCM dan metode KMeans. Nilai akurasi dihitung berdasarkan rasio jumlah sel kanker yang diidentifikasi dengan benar oleh metode yang diusulkan dengan jumlah sel kanker pada citra asli. Sel kanker yang diidentifikasikan benar adalah sel kanker yang terpisah sesuai dengan jumlah sel bertumpuk pada citra asli dengan memperhatikan garis pemisah antar cluster. Nilai oversegmentation dihitung berdasarkan jumlah cluster yang lebih banyak dari jumlah sel pada citra asli dan berdasarkan kondisi garis pemisah antar cluster sedangkan undersegmentation dihitung berdasarkan

34

jumlah cluster yang kurang dari jumlah sel bertumpuknya yang sebenarnya, seperti yang dijelaskan pada Gambar 4.6. Untuk mengetahui ada tidaknya perbedaan yang signifikan antara rata-rata akurasi metode yang diusulkan dengan 2 metode pembanding, dilakukan perhitungan uji statistik 𝑢𝑗𝑖 − 𝑡. 𝑢𝑗𝑖 − 𝑡 dikembangkan oleh William Seely Gosset yang adalah seorang konsultan statistika Irlandia pada tahun 1915. Penggunaan 𝑢𝑗𝑖 − 𝑡 dapat dibedakan menjadi (Hartono, 2004) : 1) 𝑢𝑗𝑖 − 𝑡 untuk sampel kecil dan besar yang berkorelasi 2) 𝑢𝑗𝑖 − 𝑡 untuk sampel kecil dan besar yang tidak berkorelasi Besarnya koefisien komparatif dengan menggunakan 𝑢𝑗𝑖 − 𝑡 diberi simbol 𝑢𝑗𝑖 − 𝑡 diberi simbol 𝑡0 (𝑡𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑠𝑖 ) dihitung mengikuti persamaan 3.10, angkanya dapat bertanda positif dan negatif. Namun tanda negatif bukanlah tanda aljabar, sehingga tanda positif dan negatif memiliki arti yang sama. Cara memberikan interpretasi terhadap 𝑡0 adalah dengan merumuskan hipotesis alternatif (𝐻𝑎 ) yang menyatakan ada perbedaan dan hipotesis nol (𝐻0 ) menyatakan tidak ada perbedaan. Pada penelitian dirumuskan hipotesis berikut ini; hipotesis nol (𝐻0 ) adalah 𝑡0 = 𝑡𝑡𝑎𝑏𝑒𝑙 yang menyatakan tidak ada perbedaan antara variabel pertama dan variabel kedua dan hipotesis alternatif (𝐻𝑎 ) adalah 𝑡0 ≠ 𝑡𝑡𝑎𝑏𝑒𝑙 yang menyatakan ada perbedaan yang signifikan antara variabel pertama dan variabel kedua. Setelah mencari 𝑑𝑓 dan 𝑑𝑏, lalu dengan besarnya 𝑑𝑓 dan 𝑑𝑏 tersebut berkonsultasi pada tabel nilai 𝑡 yang hasilnya disebut 𝑡𝑡𝑎𝑏𝑒𝑙 (𝑡𝑡 ). Selanjutnya bandingkan 𝑡0 dan 𝑡𝑡𝑎𝑏𝑒𝑙 dengan ketentuan (Hartono, 2004): 1) Bila 𝑡0 sama dengan atau lebih besar dari 𝑡𝑡𝑎𝑏𝑒𝑙 maka hipotesis nol (𝐻0 ) ditolak, yang berarti ada perbedaan yang signifikan. 2) Bila 𝑡0 lebih kecil dari 𝑡𝑡𝑎𝑏𝑒𝑙 maka hipotesis (𝐻0 ) diterima, yang berarti tidak ada perbedaan yang signifikan. Teknik analisis 𝑢𝑗𝑖 − 𝑡 yang digunakan pada penelitian ini adalah 𝑢𝑗𝑖 − 𝑡 untuk sampel besar dengan nilai 𝑁 ≥ 30 yang berkorelasi. Sampel-sampel yang berkorelasi yang dimaksud pada analisis ini adalah nilai atau skor dari kedua sampel 35

diambil dari subjek yang sama. Proses analisis statistik 𝑢𝑗𝑖 − 𝑡 dapat dijelaskan sebagai berikut (Hartono, 2004): 1) Menghitung harga 𝑡0 sesuai persamaan 3.10, dengan mencari nilai mean variabel x 𝑀𝑥 dan nilai mean 𝑀𝑦 , dan standar deviasi perbedaan skor dari kedua variabel 𝑡0 =

𝑀𝑥 −𝑀𝑦

(3.10)

2 2 𝑆𝐷 𝑆𝐷 √( 𝑆𝐷𝑥 ) +( 𝑦 ) −[2 𝑟𝑥𝑦 ][ 𝑆𝐷𝑥 ][ 𝑦 ] √𝑁−1

√𝑁−1

√𝑁−1 √𝑁−1

2) Memberi interpretasi terhadap 𝑡0 dengan mencari nilai 𝑑𝑓 dengan perhitungan banyaknya sampel 𝑁 − 1 kemudian dikorelasikan dengan harga kritik tabel atau 𝑡𝑡𝑎𝑏𝑒𝑙 pada taraf signifikan 5% dan pada taraf signifikan 1% 3) Membandingkan 𝑡0 dan 𝑡𝑡𝑎𝑏𝑒𝑙 dengan ketentuan yang dijelaskan sebelumnya 4) Memberikan Kesimpulan apakah ada perbedaan yang signifikan antara kedua metode yang dibandingkan berdasarkan hasil perbandingan pada proses sebelumnya.

36

[Halaman ini sengaja dikosongkan]

37

BAB IV UJI COBA DAN ANALISIS HASIL Pada bab ini akan dijelaskan setiap tahapan pengujian sesuai dengan skenario uji coba dan analisis hasil dari penelitian yang telah dilakukan. Tahapan implementasi metode segmentasi sel kanker bertumpuk dibagi atas dua tahapan penting, yaitu segmentasi sel kanker berdasarkan identifikasi sel menggunakan metode Gram-Schmidt dan pemisahan sel bertumpuk berdasarkan kombinasi metode Spatial Fuzzy C-Means dan Rapid Region Merging yang sesuai dengan desain sistem pada Gambar 3.3. Uji coba akan dilakukan sesuai dengan skenario yang telah dijelaskan pada sub bab 3.3 4.1

Lingkungan Uji Coba Pada penelitian ini data diuji dengan menggunakan komputer Acer dengan

spesifikasi processor Inter® Core™ i3-2130 CPU @ 3.40 GHz 3.40 GHz, kapasitas memory (RAM) 4.0. Perangkat lunak yang digunakan pada penelitian ini adalah Windows 7 Professional dan tools program matlab R2015a. 4.2

Data Uji Coba Dataset yang digunakan pada penelitian ini adalah citra RGB yang berupa

citra mikroskopis sel kanker payudara, sejumlah 40 citra yang diunduh di www.bioimage.ucsb.edu. Dataset yang tersedia terbagi dalam data benign dan data malignant. Kemudian, untuk mempermudah proses identifikasi sel kanker payudara dilakukan cropping manual pada setiap citra sesuai dengan citra groundtruth yang didapat, menggunakan tools Adobe Photoshop CS3 (dapat dilihat pada Gambar 3.2). 4.3

Skenario Uji Coba Untuk mengukur performa metode yang diusulkan maka akan dilakukan

beberapa uji coba. Pada penelitian ini, terdapat dua skenario uji coba yang diterapkan. Pertama, melakukan uji performa hasil segmentasi terhadap citra groundtruth berdasarkan perhitungan nilai Mean Square Error (MSE) untuk menghitung nilai rata-rata kesalahan, artinya semakin kecil nilai MSE yang 38

diperoleh maka semakin baik hasil segmentasi yang dihasilkan. Kedua, melakukan uji performa terhadap hasil pemisahan sel bertumpuk, yaitu dengan melakukan perhitungan jumlah sel secara manual terhadap citra hasil pemisahan sel bertumpuk. selanjutnya akan dibandingkan hasil pemisahan sel bertumpuk antara metode yang diusulkan Kombinasi metode Spatial Fuzzy C-Means dan Rapid Region Merging dengan dua metode pembanding yaitu Spatial Fuzzy C-Means dan K-Means Clustering. Untuk metode pembanding K-Means Clustering, penentuan jumlah cluster disesuaikan dengan metode yang diusulkan. Setelah hasil perbandingan didapatkan, akan dilakukan perhitungan statistik uji-t terhadap kedua nilai hasil perbandingan untuk mengetahui apakah ada perbedaan yang signifikan antara hasil metode yang diusulkan dengan metode pembanding. 4.3.1

Hasil Uji Coba Skenario Pertama Uji coba pada skenario pertama digunakan untuk mengukur performa

metode yang digunakan sesuai dengan tahapan yang dijelaskan pada bab sebelumnya (Gambar 3.5). Citra RGB berupa citra mikroskopis sel kanker payudara adalah citra masukan. Sel kanker yang akan diidentifikasi adalah blue nuclei atau sel yang berwarna biru dan biru keunguan yang dijelaskan dalam Gambar 4.2(a). Identifikasi sel kanker payudara diperoleh berdasarkan metode Gram Schmidt. Berdasarkan penelitian sebelumnya, pada penelitian ini digunakan nilai vektor warna yang lebih gelap untuk memperkuat atau mendapatkan sel kanker dan menggunakan nilai vektor yang cenderung terang untuk melemahkan derau. Nilai vektor warna yang digunakan pada penelitian ini ditentukan secara manual dan dapat dilihat pada tabel 3.1 . Untuk mendapatkan citra segmentasi, dilakukan thresholding dengan melakukan normalisasi data dari range 0 sampai 1 terlebih dahulu dan menerapkan operasi morfologi setelah thresholding. Berdasarkan uji coba terhadap dataset yang dipilih secara acak, nilai 0,03 digunakan sebagai nilai thresholding sesuai dengan hasil yang disajikan pada gambar 4.1, yang mana gambar 4.1(f) mampu memberikan representasi citra asli yang paling baik. Hasil citra yang diperoleh pada tahapan-tahapan identifikasi sel dapat dilihat pada Gambar 4.2.

39

(a)

(b)

(c)

(d)

(e)

(f) 40

(g)

(h)

(i)

(j)

(k) Gambar 4. 1 Penentuan nilai thresholding untuk segmentasi sel kanker (a) Citra Asli (b) Citra Groundtruth (c) Identifikasi Sel Kanker Berdasarkan Gram-Schmidt (d) Citra hasil thresholding 0,01 (e) Citra hasil thresholding 0,02 (f) Citra hasil thresholding 0,03 (g) Citra Hasil thresholding 0,04 (h) Citra hasil thresholding 0,05 (i) Citra hasil thresholding 0,06 (j) Citra hasil thresholding 0,07 (k) Citra hasil thresholding 0,08 41

Berdasarkan uji coba yang dilakukan terhadap 40 citra mikroskopis sel kanker payudara, hasil uji coba skenario pertama ditunjukkan pada Gambar 4.3 dengan hasil performa segmentasi yang diukur menggunakan perhitungan Mean Square Error (MSE). Nilai MSE merupakan hasil perbandingkan nilai selisih piksel-piksel pada citra groundtruth dengan piksel-piksel pada citra hasil segmentasi di posisi piksel yang sama. Semakin kecil nilai MSE yang diperoleh maka semakin tinggi akurasi segmentasi sel pada citra mikroskopis sel kanker payudara. Pada Tabel 4.1 disajikan hasil perhitungan nilai MSE hasil segmentasi dengan metode Gram-Schmidt dan hasil segmentasi citra menggunakan metode Region Based Active Contour.

(a)

(b)

(c)

(d)

Gambar 4. 2 Citra yang Dihasilkan pada Setiap Tahapan Segmentasi (a) Citra RGB sebagai citra masukan dan Blue Nuclei yang harus diidentfikasi sebagai sel kanker payudara (b) Identifikasi Blue Nuclei Berdasarkan Gram-Schmidt (c)Citra Hasil thresholding (d) Citra Hasil Thresholding setelah Operasi Morfologi

42

(a) (b) (c) Gambar 4. 3 Perbandingan Citra Hasil Segmentasi Dengan Citra Asli dan Citra Groundtruth (a) Citra Asli (b) Citra Groundtruth (c) Citra Hasil Segmentasi 43

Tabel 4. 1 Perhitungan Nilai Mean Square Error (MSE) Citra Ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 Rata-rata=

Nilai MSE Region Based Active Contour 0,8855 0,0816 0,8646 0,9002 0,9158 0,9119 0,0610 0,9045 0,9346 0,9578 0,9177 0,0728 0,1384 0,1706 0,1383 0,1552 0,8385 0,9061 0,8658 0,7977 0,8573 0,1959 0,1626 0,2253 0,8363 0,8411 0,8836 0,7324 0,7505 0,8508 0,9105 0,0991 0,8859 0,8955 0,9123 0,8650 0,1352 0,8879 0,8311 0,8428 0,6505

Gram-Schmidt 0,0622 0,0719 0,0822 0,1054 0,0989 0,0850 0,0458 0,0990 0,0552 0,0461 0,0398 0,0541 0,0844 0,0827 0,0604 0,0854 0,0879 0,0418 0,1035 0,0859 0,0851 0,0552 0,0899 0,0642 0,0794 0,0589 0,0585 0,0960 0,0409 0,0662 0,0782 0,0785 0,1080 0,0368 0,0785 0,0647 0,0958 0,0770 0,1225 0,0335 0,0736

44

4.3.2

Hasil Uji Coba Skenario Kedua Pengujian skenario kedua dilakukan untuk mengukur performa metode yang

diusulkan dalam melakukan pemisahan sel kanker payudara bertumpuk. Proses pemisahan sel kanker payudara bertumpuk telah dijelaskan pada bab sebelumnya (Gambar 3.5) dan hasil dari setiap prosesnya dapat dilihat pada Gambar 4.4. Data masukan yang digunakan pada tahapan ini adalah citra hasil segmentasi berupa citra biner yang diperoleh dari tahapan sebelumnya yaitu tahapan identifikasi dan segmentasi sel kanker. Langkah pertama yang dilakukan pada tahapan pemisahan sel bertumpuk adalah melakukan deteksi sel bertumpuk menggunakan fitur geometri area. Penentuan luasan daerah yang menjadi nilai thershold bertumpuk dilakukan berdasarkan uji coba terhadap 20 dataset yang dipilih secara acak. Berdasarkan uji coba yang dilakukan terhadap dataset, nilai threshold 340 menghasilkan deteksi bertumpuk paling baik di mana dari 20 dataset hanya menghasilkan kesalahan deteksi bertumpuk pada 1 dataset. Pada Gambar 4.4 dijelaskan hasil percobaan pada pada citra dengan memberikan nilai threshold

yang berbeda-beda, yang

memberikan hasil bahwa nilai threshold di bawah nilai 340 (Gambar 4.4(b)) menghasilkan deteksi bertumpuk yang berlebihan di mana banyak sel tunggal yang dideteksi bertumpuk sementara

deteksi sel bertumpuk menggunakan nilai

threshold di atas dari nilai 340 (Gambar 4.4(d)) menghasilkan kesalahan deteksi sel bertumpuk dimana sel bertumpuk dianggap sebagai sel tunggal, sehingga diasumsikan nilai threshold 340 (Gambar 4.4(c)) adalah nilai threshold terbaik. Untuk langkah berikutnya, hanya sel kanker yang fitur geometri area di atas nilai threshold atau dianggap bertumpuk yang akan diproses. Sel kanker bertumpuk kemudian akan dipisahkan menggunakan Spatial Fuzzy C-Means Clustering. Pemisahan sel kanker bertumpuk pada tahapan ini adalah berdasarkan asumsi bahwa jumlah sel bertumpuk sama dengan jumlah cluster dengan melakukan perhitungan berdasarkan pada persamaan 3.5 di mana nilai 𝑐 terbaik adalah 1,5. Nilai 𝑐 didapatkan berdasarkan uji coba terhadap seluruh dataset dengan rentang nilai percobaan yang diberikan adalah 1,1 sampai 2,0 seperti yang ditampilkan pada Gambar 4.5. Data yang akan dikelompokan atau data 45

masukan pada tahapan ini adalah berupa nilai koordinat piksel daerah yang diidentifikasi sebagai sel kanker bertumpuk.

(a)

(b)

(c)

(d) Gambar 4. 4 Hasil Percobaan Penentuan Nilai Threshold untuk Citra Bertumpuk (a) Citra Asli (b) Citra Hasil Deteksi Sel Bertumpuk dengan Nilai threshold 300 (c) Citra Hasil Deteksi Sel Bertumpuk dengan Nilai threshold 340 (d) Citra Hasil Deteksi Sel Bertumpuk dengan Nilai threshold 400

46

(a)

(b)

(c)

(d)

(e) (f) Gambar 4. 5 Uji Coba Penentuan Nilai c (a) citra asli (b) citra hasil pemisahan bertumpuk c=1,1 (c) citra hasil pemisahan bertumpuk c=1,3 (d) citra hasil pemisahan bertumpuk c=1,5 (e) citra hasil pemisahan bertumpuk c=1,7 (f) citra hasil pemisahan bertumpuk c=2 Semua sel kanker bertumpuk yang telah terpisah berdasarkan metode SFCM akan diproses ke tahapan penggabungan daerah menggunakan metode Rapid Region Merging untuk mengatasi masalah oversegmentation. Penggabungan daerah dilakukan berdasarkan penentuan daerah palsu atau pseudo-blob terlebih dahulu. Pada penelitian ini daerah yang dianggap pseudo-blob adalah daerah yang memiliki fitur geometri area di bawah dari nilai

1 2

𝑡ℎ𝑟𝑒𝑠ℎ𝑙𝑜𝑑 𝑏𝑒𝑟𝑡𝑢𝑚𝑝𝑢𝑘 dan

daerah yang memiliki fitur geometri area yang lebih tinggi ditandai sebagai real47

blob. Kemudian pseudo-blob akan dihitung kemiripannya dengan real-blob yang memiliki region adjacency dengannya. Penggabungan daerah pseudo-blob adalah berdasarkan maximum similarity, di mana real-blob yang memiliki kemiripan paling tinggi dengan pseudo-blob akan dinyatakan sebagai daerah pemenang atau winner block. Daerah yang ditentukan sebagai pseudo-blob akan digabungkan ke daerah pemenang atau menjadi bagian dari daerah pemenang. Pada tahapan penggabungan daerah ini juga, dilakukan penambahan paramater di mana jika jumlah pseudo-blob berjumlah sama dengan jumlah cluster pada sebuah daerah sel bertumpuk maka diasumsikan daerah tersebut adalah sel tunggal, sehingga semua daerah akan digabungkan. Hasil citra yang diperoleh pada setiap proses dalam tahapan pemisahan sel bertumpuk ini dimulai dari citra masukan, deteksi bertumpuk, hasil pemisahan sel bertumpuk dapat dilihat pada Gambar 4.6. Pada skenario uji coba ini juga dilakukan perbandingan hasil pemisahan sel bertumpuk menggunakan metode K-Means, metode SFCM dan kombinasi metode SFCM dan RRM yang ditampilkan pada Gambar 4.7.

(a)

(b)

(c) (d) Gambar 4. 6 Hasil Citra Berdasarkan Tahapan-Tahapan Pemisahan Sel Bertumpuk (a)Citra Masukan pada Tahapan Clustering (b) Identifikasi Sel Kanker Bertumpuk dan Identifikasi Jumlah Cluster (c)Hasil Pemisahan Sel Bertumpuk Menggunakan SFCM (d)Citra Hasil Penggabungan Daerah Oversegmentasi Menggunakan RRM 48

(a) (b) (c) Gambar 4. 7 Perbandingan Citra Hasil Pemisahan Sel Bertumpuk (a) Citra Masukan Pada Proses Clustering (b) Citra Hasil Pemisahan Sel Bertumpuk Menggunakan SFCM (c) Citra Hasil Pemisahan Sel Bertumpuk Menggunakan Kombinasi SFCM dan RRM 49

Berdasarkan perbandingan hasil pemisahan sel bertumpuk ini di atas, maka dilakukan perhitungan sel kanker yang dipisahkan secara benar, sel kanker yang oversegmentation dan sel kanker yang undersegmentation. Sel kanker benar dihitung berdasarkan ketepatan inisialisasi jumlah cluster yang sama dengan jumlah sel bertumpuk dengan memperhatikan garis pemisah, seperti pada Gambar 4.8(b). Sel kanker oversegmentation dihitung berdasarkan jumlah cluster yang lebih banyak dibandingkan dengan jumlah sel sebenarnya, seperti pada Gambar 4.8(a) dan Gambar 4.8(c) sedangkan sel kanker undersegmentation dihitung berdasarkan jumlah cluster yang lebih sedikit dibandingkan dengan jumlah sel yang sebenarnya, seperti pada Gambar 4.8(d). Perhitungan manual jumlah sel pada hasil pemisahan sel kanker bertumpuk menggunakan metode K-Means, metode SFCM, kombinasi metode SFCM dan RRM berdasarkan pada citra asli dan groundtruth dapat dilihat pada Tabel 4.2, Tabel pada Lampiran 1 dan Lampiran 2. Selain itu, untuk mengetahui apakah terdapat perubahan yang signifikan dari metode usulan hasil dengan metode pembanding, dilakukan perhitungan uji-t yang disajikan pada tabel 4.4, tabel 4.5, tabel 4.6 dan tabel 4.7

(a)

(b)

(c)

(d)

Gambar 4. 8 (a)(c) Citra hasil SFCM yang Oversegmentasi (b) Citra Hasil RRM yang Sesuai dengan Citra Asli (d) Citra Hasil RRM yang Undersegmentasi 50

Tabel 4. 2 Perhitungan Nilai Akurasi Kombinasi Metode Spatial Fuzzy C-Means dan Rapid Region Merging citra ke

Manual

1

SFCM & Rapid Region Merging

Akurasi (% )

Benar

Over

Under

47

33

10

3

70,21

2

44

33

8

1

75,00

3

34

29

5

0

85,29

4

46

32

10

0

69,57

5

67

54

1

5

80,60

6

57

45

1

1

78,95

7

42

32

2

1

76,19

8

27

15

13

0

55,56

9

27

19

7

0

70,37

10

28

19

8

1

67,86

11

32

27

3

1

84,38

12

47

42

2

1

89,36

13

62

52

2

2

83,87

14

19

8

9

0

42,11

15

27

19

8

2

70,37

16

40

34

6

0

85,00

17

74

64

0

5

86,49

18

36

31

1

3

86,11

19

71

56

0

4

78,87

20

24

23

1

0

95,83

21

82

68

1

7

82,93

22

42

34

2

2

80,95

23

31

20

10

1

64,52

24

22

18

4

0

81,82

25

46

41

3

0

89,13

26

40

33

4

3

82,50

27

50

37

12

1

74,00

28

61

50

9

1

81,97

29

43

40

0

2

93,02

30

39

32

2

4

82,05

31

74

62

6

6

83,78

32

89

75

0

4

84,27

33

53

37

12

0

69,81

34

26

18

6

0

69,23

35

47

36

3

1

76,60

36

43

36

3

1

83,72

37

58

49

9

0

84,48

38

25

17

8

0

68,00

39

108

94

1

9

87,04

40

26

22

4

0

84,62

Rata-Rata Akurasi =

51

78,41

4.4

Analisis Hasil Uji Coba Hasil uji coba yang diperoleh dari setiap skenario uji coba akan dianalisis

untuk mengetahui tingkat keberhasilan metode yang diusulkan. Analisis dilakukan berdasarkan perhitungan Mean Square Error (MSE) untuk skenario pertama, yaitu segmentasi sel kanker payudara dan perhitungan nilai akurasi untuk skenario kedua, yaitu pemisahan sel kanker bertumpuk. Nilai MSE merupakan nilai performa yang menggambarkan tingkat kesalahan segmentasi. Nilai akurasi digunakan untuk menilai performa metode yang diusulkan dalam melakukan pemisahan sel bertumpuk. Nilai akurasi didapat berdasarkan perhitungan manual rasio jumlah sel yang diidentifikasi atau jumlah sel yang terpisah dengan benar oleh metode yang diusulkan terhadap jumlah sel pada citra asli. Nilai akurasi ini yang akan menjadi nilai pembanding antara metode K-means, metode Spatial Fuzzy C-Means (SFCM) tanpa metode penggabungan dengan metode yang diusulkan yaitu kombinasi Spatial Fuzzy C-Means dan Rapid Region Merging untuk mengetahui apakah kinerja metode usulan memberi dampak yang baik dan menghasilkan perubahan yang signifikan. 4.4.1

Analisi Hasil Uji Coba Skenario Pertama Berdasarkan hasil uji coba terhadap 40 data uji berdasarkan skenario

pertama yang ditampilkan pada Tabel 4.1, nilai MSE yang dihasilkan metode Gram-Schmidt berada dalam rentang nilai 0,0394 sampai 0,1225 dan nilai rata-rata kesalahan segmentasi sebesar 0,0745, di mana nilai MSE terendah dihasilkan pada citra ke-11 dan nilai MSE tertinggi dihasilkan oleh citra ke-19. Sementara, nilai MSE yang dihasilkan oleh metode Region Based Active Contour adalah dalam rentang nilai 0,0728 pada citra ke-12 sampai 0,9578 pada citra ke-10 dan menghasilkan rata-rata MSE sebesar 0,6505. Hal ini menunjukkan bahwa tingkat kesalahan segmentasi pada penelitian adalah rendah dan citra hasil segmentasi dapat dijadikan citra masukan pada tahap selanjutnya. Pada Hasil Uji Coba Skenario Pertama, nilai threshold ditentukan berdasarkan uji coba nilai threshold dari angka 0,1 sampai 0,8 yang menghasilkan nilai MSE terbaik adalah nilai threshold 0,3. 52

4.4.2

Analisis Hasil Uji Coba Skenario Kedua Berdasarkan hasil uji coba skenario kedua yang ditampilkan pada tabel 4.6

dan tabel terlampir dalam lampiran 1 dan lampiran 2, nilai akurasi pemisahan sel bertumpuk menggunakan metode K-Means menghasilkan nilai akurasi terendah sebesar 21,05%, akurasi tertinggi sebesar 86,57% dan rata-rata akurasi mencapai 68,73%. Pemisahan sel bertumpuk menggunakan SFCM menghasilkan nilai akurasi terendah sebesar 36,84% dan nilai akurasi tertinggi sebesar 88,37% dengan rata-rata nilai akurasi sebesar 71,35%. Nilai akurasi pemisahan sel bertumpuk menggunakan kombinasi metode SFCM dan RRM menghasilkan nilai akurasi terendah sebesar 42,11% dan nilai akurasi tertinggi sebesar 95,83% dengan ratarata nilai akurasi sebesar 78,41%. Pada Gambar 4.9 dan Gambar 4.10 disajikan citra hasil pemisahan sel bertumpuk yang menghasilkan nilai akurasi terendah dan nilai akurasi tertinggi dari metode yang diusulkan dan metode pembanding.

(a)

(b)

(c)

Gambar 4. 9 Citra yang Menghasilkan Nilai Akurasi Terendah (a) K-means (b) SFCM (c) SFCM & RRM

(a) (b) (c) Gambar 4. 10 Citra Yang Menghasilkan Nilai Akurasi Paling Tinggi (a) K-Means (b) SFCM (c) SFCM & RRM 53

Pada tabel 4.3 dapat dilihat perbedaan jumlah sel yang diidentifikasi benar, jumlah sel yang oversegmentasi, jumlah sel yang undersegmentasi dan rata-rata akurasi berdasarkan citra hasil metode K-Means, metode SFCM dan kombinasi metode SFCM dan RRM yang dihitung secara manual. Hasil ini menunjukkan bahwa jumlah sel benar, jumlah sel yang undersegmentation dan nilai akurasi pemisahan sel bertumpuk menggunakan kombinasi metode SFCM dan RRM mengalami peningkatan dibandingkan dengan metode K-Means dan SFCM. Sementara jumlah sel yang oversegmentation mengalami penurunan. Tabel 4. 3 Tabel Perbandingan Metode Sebelumnya dengan Metode yang Diusulkan Jumlah Benar

Jumlah Jumlah Oversegmentation Undersegmentation

Rata-Rata Akurasi (%)

K-Means

1333

382

35

68,73

SFCM

1402

314

39

73,11

SFCM dan RRM

1486

197

72

78,41

Untuk mengetahui apakah peningkatan nilai akurasi metode yang diusulkan adalah signifikan, dilakukan perhitungan uji − 𝑡 sampel besar 𝑁 ≥ 30 yang berkorelasi, dihitung pada taraf signifikan 1% dan taraf signifikan 5%. Uji − 𝑡 terhadap variabel data hasil SFCM dan metode yang diusulkan disajikan pada tabel 4.4 dan tabel 4.5 dan untuk uji − 𝑡 terhadap variabel data hasil K-means dan metode yang diusulkan disajikan pada tabel 4.6 dan tabel 4.7. Mean menunjukkan rata-rata akurasi, variance adalah varians data yang digunakan pada penelitian ini, observations adalah jumlah data, df adalah derajat bebas, 𝑡 𝑆𝑡𝑎𝑡 adalah nilai 𝑡0 dan t-critical two-tail adalah nilai 𝑡𝑡𝑎𝑏𝑒𝑙 . Hasil perhitungan uji − 𝑡 terhadap variabel data hasil SFCM dan metode yang diusulkan menghasilkan nilai 𝑡0 atau dalam tabel di tulis 𝑡 𝑆𝑡𝑎𝑡 adalah sebesar -6,4229 dimana telah dibahas pada bab sebelumnya bahwa tanda negatif bukanlah merupakan tanda aljabar sehingga nilai 𝑡0 sama dengan 6,4229. Nilai 𝑡𝑡𝑎𝑏𝑒𝑙 pengujian dua arah pada taraf signifikan 5% dengan nilai 𝑑𝑓 = 39 sebesar 2,0226. 54

Nilai 𝑡𝑡𝑎𝑏𝑒𝑙 pengujian dua arah pada taraf signifikan 1% dengan nilai 𝑑𝑓 = 39 sebesar 2,7079. Diperolehnya nilai 𝑡0 sebesar 6,7820 dan nilai 𝑡𝑡𝑎𝑏𝑒𝑙 pada taraf signifikan 5% sebesar 2,0226 dan 𝑡𝑡𝑎𝑏𝑒𝑙 pada taraf signifikan 1% sebesar 2,7079 sehingga nilai 𝑡0 lebih besar dari nilai 𝑡𝑡𝑎𝑏𝑒𝑙 pada taraf signifikan 5% maupun taraf signifikan 1% atau dapat ditulis bahwa (2,022<6,7820>2,7079). Dengan demikian, berdasarkan ketentuan perbandingan 𝑡0 dan 𝑡𝑡𝑎𝑏𝑒𝑙 maka hipotesis nol 𝐻0 ditolak dan yang berarti ada perbedaan yang signifikan antara hasil pemisahan bertumpuk dengan menggunakan metode SFCM dan kombinasi metode SFCM dan RRM. Tabel 4. 4 Perhitungan uji-t untuk variabel hasil SFCM dan Metode yang Diusulkan pada taraf signifikan 5% SFCM Mean Variance

SFCM & RRM

73,1132697

78,41026504

123,5220251

104,7615607

40

40

Observations Pearson Correlation

0,883817577

Hypothesized Mean Difference

0

df

39

t Stat

-6,422959482

P(T<=t) one-tail

6,70181E-08

t Critical one-tail

1,684875122

P(T<=t) two-tail

1,34036E-07

t Critical two-tail

2,02269092

Tabel 4. 5 Perhitungan uji-t untuk variabel hasil SFCM dan Metode yang Diusulkan pada taraf signifikan 1% SFCM Mean Variance Observations Pearson Correlation

SFCM & RRM

73,1132697

78,41026504

123,5220251

104,7615607

40

40

0,883817577

Hypothesized Mean Difference

0

df

39

t Stat

-6,422959482

P(T<=t) one-tail

6,70181E-08

t Critical one-tail

2,42584141

P(T<=t) two-tail

1,34036E-07

t Critical two-tail

2,707913184

55

Tabel 4. 6 Perhitungan uji-t untuk variabel hasil K-Means dan Metode yang Diusulkan pada taraf signifikan 5% K-Means

SFCM & RRM

Mean

68,72965787

78,41026504

Variance

170,5114121

104,7615607

40

40

Observations Pearson Correlation

0,831066084

Hypothesized Mean Difference

0

df

39

t Stat

-8,400110806

P(T<=t) one-tail

1,39592E-10

t Critical one-tail

1,684875122

P(T<=t) two-tail

2,79185E-10

t Critical two-tail

2,02269092

Tabel 4. 7 Perhitungan uji-t untuk variabel hasil K-Means dan Metode yang Diusulkan pada taraf signifikan 1% K-Means

SFCM & RRM

Mean

68,72965787

78,41026504

Variance

170,5114121

104,7615607

40

40

Observations Pearson Correlation

0,831066084

Hypothesized Mean Difference

0

df

39

t Stat

-8,400110806

P(T<=t) one-tail

1,39592E-10

t Critical one-tail

2,42584141

P(T<=t) two-tail

2,79185E-10

t Critical two-tail

2,707913184

Hasil perhitungan uji − 𝑡 terhadap variabel data hasil K-Means dan metode yang diusulkan menghasilkan nilai 𝑡0 atau dalam tabel di tulis 𝑡 𝑆𝑡𝑎𝑡 adalah sebesar 8,4001. Diperolehnya nilai 𝑡0 sebesar 8,4001 dan nilai 𝑡𝑡𝑎𝑏𝑒𝑙 pada taraf signifikan 5% sebesar 2,0226 dan 𝑡𝑡𝑎𝑏𝑒𝑙 pada taraf signifikan 1% sebesar 2,7079 sehingga nilai 𝑡0 lebih besar dari nilai 𝑡𝑡𝑎𝑏𝑒𝑙 pada taraf signifikan 5% maupun taraf signifikan 1% atau dapat ditulis bahwa (2,022<8,4001>2,7079). Dengan demikian, berdasarkan ketentuan perbandingan 𝑡0 dan 𝑡𝑡𝑎𝑏𝑒𝑙 maka hipotesis nol 𝐻0 ditolak 56

dan yang berarti ada perbedaan yang signifikan antara hasil pemisahan bertumpuk dengan menggunakan metode K-Means dan kombinasi metode SFCM dan RRM.

57

BAB V PENUTUP Pada bab ini akan dijelaskan mengenai kesimpulan dari penelitian yang telah dilakukan dan saran untuk pengembangan penelitian lebih lanjut yang berhubungan dengan segmentasi dan pemisahan sel bertumpuk pada citra mikroskopis sel kanker payudara. 5.1

Kesimpulan Berdasarkan hasil uji coba dan analisis hasil uji coba yang dijelaskan pada

bab sebelumnya, dapat disimpulkan beberapa hal sebagai berikut: 1) Identifikasi sel kanker payudara metode Gram-Schmidt yang dilakukan pada penelitian ini, memberikan hasil yang baik dibandingkan dengan metode Region Based Active Contour. Hal ini ditunjukkan dengan diperolehnya ratarata nilai MSE sebesar 0,07 menggunakan metode Gram-Schmidt dengan nilai threshold 0,03. 2) Pemisahan sel bertumpuk menggunakan metode Spatial Fuzzy C-Means dengan perhitungan spatial dan probabilitas ketetanggaan berdasarkan koordinat atau pixellist sel bertumpuk menghasilkan rata-rata akurasi yang lebih tinggi yaitu 73,11% dibandingkan dengan metode K-Means yang menghasilkan nilai akurasi sebesar 68,73%. Meningkatnya akurasi metode SFCM dikarenakan oleh beberapa hal, yaitu mampu meminimalisir jumlah sel oversegmentation yang diakibatkan oleh kesalahan pengelompokan, keberhasilan deteksi sel kanker bertumpuk menggunakan nilai threshold 340 berdasarkan fitur geomtri area sehingga sel yang di proses adalah sel yang diidentifikasi bertumpuk dan keberhasilan inisialisasi jumlah cluster karena sel kanker akan terpisah sesuai dengan jumlah masukan yang didapat dari proses inisialisasi jumlah cluster yang artinya bahwa banyaknya jumlah sel yang oversegmentation bergantung pada inisialisasi jumlah cluster. Pada penelitian ini, inisialisasi jumlah cluster terbaik dihasilkan menggunakan nilai 𝑐 = 1,5. 3) Metode

Rapid

Region

Merging

untuk

menggabungkan

sel

yang

oversegmentation mampu meningkatkan hasil akurasi pemisahan sel 58

bertumpuk. Hal ini ditunjukkan dengan berkurangnya jumlah sel yang oversegmentation sehingga dihasilkannya nilai rata-rata akurasi sebesar 78,41%. Namun penerapan metode Rapid Region Merging memiliki kelemahan yaitu meningkatnya jumlah sel yang undersegmentation akibat kesalahan penggabungan daerah. Kesalahan penggabungan daerah terjadi karena kesalahan deteksi pseudo blob dan akibat nilai similarity yang sama. 4) Hasil perhitungan 𝑢𝑗𝑖 − 𝑡 yang dilakukan menghasilkan kesimpulan bahwa kombinasi metode SFCM dan RRM memberikan peningkatan nilai akurasi yang signifikan dari metode SFCM dan metode K-Means. 5.2

Saran

1) Penelitian selanjutnya dapat melakukan pengembangan metode identifikasi sel kanker payudara khususnya pada proses penentuan vektor-vektor warna yang digunakan pada metode Gram-Schmidt yang masih dilakukan secara manual. 2) Penentuan jumlah cluster sangat berpengaruh pada hasil pemisahan sel bertumpuk menggunakan SFCM sehingga untuk meningkatkan nilai akurasi pemisahan sel bertumpuk perlu dikembangkannya metode untuk menentukan atau inisialisasi jumlah cluster yang tidak hanya berdasarkan informasi fitur geometri area saja, tapi menambahkan fitur-fitur yang bisa merepresentasikan banyaknya jumlah sel kanker bertumpuk. 3) Meningkatnya jumlah sel kanker payudara yang undersegmentation pada hasil pemisahan sel kanker payudara menggunakan metode yang diusulkan diakibatkan karena semua sel bertumpuk yang telah dipisahkan menggunakan SFCM akan dilanjutkan ke tahapan penggabungan daerah tanpa identifikasi daerah oversegmentation terlebih dahulu sehingga diperlukan pengembangan metode untuk identifikasi daerah oversegmentation sebelum sel diproses pada tahap pengggabungan daerah. 4) Selain identifikasi sel kanker yang oversegmentation, deteksi pseudo blob yang berdasarkan informasi fitur geometri area sangat rentan terhadap error karena karakteristik citra mikroskopis kanker payudara yang memiliki beragam ukuran

59

dan bentuk sehingga perlu diteliti lebih lanjut mengenai parameter penentuan pseudo-blob untuk memperkecil kesalahan penggabungan.

60

[Halaman ini sengaja dikosongkan]

61

DAFTAR PUSTAKA

Https://depkes.go.id, Pusat Data dan Informasi Kementrian Kesehatan RI, di akses Februari 2016. Https://who.int, di akses Februari 2016. Abbas, Amel H; Kareem, Aryan A; Kamil, M. Y. (2015). Breast Cancer Image Segmentation Using Morphological Operations. International Journal Of Electronics And Communication Engineering & Technology (IJECET), 6. Aini, N. (2015). Metode Hybrid Region-Based Active Contour dan Bayesian untuk Segmentasi dan Pemisahan Sel Bertumpuk pada Citra Mikroskopis Sel Kanker Payudara. Beevi, S. Z., Sathik, M. M., Senthamaraikannan, K., & Yasmin, J. H. J. (2010). A RobustT Fuzzy Clustering Technique With Spatial Neighborhood Information for Effective Noisy Medical Image Segmentation. Chen, Y., & Chen, J. (2014). A Watershed Segmentation Algorithm Based on Ridge Detection and Rapid Region Merging, 420–424. Faried, E. (2013). Segmentasi Sel Darah Merah Bertumpuk Berdasarkan Fitur Geometri Pada Perhitungan Sel Darah Merah. Fatichah, C., & Suciati, N. (2015). Nuclei Segmentation of Microscopic Breast Cancer Image using Gram-Schmidt and Cluster Validation Algorithm, (November), 27–29. Gonzalez, R., & Woods, R. (2002). Digital image processing. Prentice Hall. Hadi, S. (1997). Statistik, Penerbit Andi. Li, Y., & Shen, Y. (2010). Fuzzy c-means clustering based on spatial neighborhood information for image segmentation, 21(2), 323–328. Mouelhi, A., Sayadi, M., & Fnaiech, F. (2013). A Supervised Segmentation Scheme Based on Multilayer Neural Network and Color Active Contour Model for Breast Cancer Nuclei Detection, (1). 62

Mouelhi, A., Sayadi, M., Fnaiech, F., & Member, S. (2013). Hybrid Segmentation of Breast Cancer Cell Images Using a New Fuzzy Active Contour Model and an Enhanced Watershed Method, (1), 382–387. Mouelhi, A., Sayadi, M., Fnaiech, F., & Mrad, K. (2013). Biomedical Signal Processing and Control Automatic image segmentation of nuclear stained breast tissue sections using color active contour model and an improved watershed method. Biomedical Signal Processing and Control, 8(5), 421–436. Phukpattaranont, P., & Boonyaphiphat, P. (2007). Color Based Segmentation of Nuclear Stained Breast Cancer Cell Images. Communications, 5(2), 158–164. Rezatofighi, S. H. (2009). International Conference on Digital Image Processing A New Approach to White Blood Cell Nucleus Segmentation Based on GramSchmidt Orthogonalization, 107–111. Prasetyo, E. (2011). Pengolahan Citra Digital dan Aplikasinya Menggunakan MATLAB, Penerbit Andi. Prasetyo, E. (2014). Data Mining Mengolah Data Menjadi Informasi Menggunakan MATLAB, Penerbit Andi.

63

[Halaman ini sengaja dikosongkan]

64

Lampiran 1 Tabel Perhitungan Nilai Akurasi Metode Spatial Fuzzy C-Means citra ke

Manual

1 2

Spatial Fuzzy C-Means (SFCM)

Akurasi (% )

Benar

Over

Under

47

32

12

2

68,09

44

28

14

0

63,64

3

34

26

8

0

76,47

4

46

30

12

0

65,22

5

67

56

1

3

83,58

6

57

43

3

1

75,44

7

42

28

6

1

66,67

8

27

15

13

0

55,56

9

27

18

8

0

66,67

10

28

18

9

0

64,29

11

32

27

3

1

84,38

12

47

40

4

1

85,11

13

62

49

6

1

79,03

14

19

7

10

0

36,84

15

27

18

9

2

66,67

16

40

29

11

0

72,50

17

74

60

3

6

81,08

18

36

30

3

2

83,33

19

71

56

1

3

78,87

20

24

20

4

0

83,33

21

82

71

2

3

86,59

22

42

30

7

1

71,43

23

31

18

13

0

58,06

24

22

17

5

0

77,27

25

46

31

13

0

67,39

26

40

33

6

1

82,50

27

50

35

16

0

70,00

28

61

47

13

0

77,05

29

43

38

4

0

88,37

30

39

33

5

0

84,62

31

74

61

9

4

82,43

32

89

76

1

2

85,39

33

53

35

14

0

66,04

34

26

15

9

0

57,69

35

47

32

8

0

68,09

36

43

33

6

1

76,74

37

58

44

14

0

75,86

38

25

13

12

0

52,00

39

108

90

10

4

83,33

40

26

20

6

0

76,92

Rata-Rata Akurasi =

65

73,11

[Halaman ini sengaja dikosongkan]

66

Lampiran 2 Tabel Perhitungan Nilai Akurasi Metode K-means citra ke

Manual

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

47 44 34 46 67 57 42 27 27 28 32 47 62 19 27 40 74 36 71 24 82 42 31 22 46 40 50 61 43 39 74 89 53 26 47 43 58 25 108 26

Benar 28 25 24 28 58 42 27 14 16 17 22 35 43 4 17 27 61 30 55 18 70 27 18 16 30 31 33 47 35 32 61 72 32 14 33 30 43 10 87 21

K-Means Akurasi (% ) Over Under 17 1 59,57 15 2 56,82 10 0 70,59 13 0 60,87 0 2 86,57 4 1 73,68 7 1 64,29 14 0 51,85 10 0 59,26 9 0 60,71 8 0 68,75 8 0 74,47 12 1 69,35 13 0 21,05 10 0 62,96 13 0 67,50 3 5 82,43 3 2 83,33 0 5 77,46 6 0 75,00 3 3 85,37 11 0 64,29 13 0 58,06 6 0 72,73 14 0 65,22 7 2 77,50 17 0 66,00 13 0 77,05 7 0 81,40 6 0 82,05 9 4 82,43 4 3 80,90 17 0 60,38 10 0 53,85 7 0 70,21 8 2 69,77 15 0 74,14 15 0 40,00 16 1 80,56 5 0 80,77 Rata-Rata Akurasi = 68,73

67

[Halaman ini sengaja dikosongkan]

68

BIODATA Desmin Tuwohingide, lahir di Tahuna pada tanggal 12 Desember 1990 merupakan anak pertama dari pasangan bapak Herson Tuwohingide dan ibu Feronika Supit. Penulis mulai menempuh pendidikan formal pada tahun 1996 di Sekolah Dasar Negeri (SDN) Inpres Pananaru, pada tahun 2002-2005 menempuh pendidikan di Sekolah Menengah Pertama

(SMP)

Negeri

1

Manganitu

Selatan

dan

melanjutkan ke Sekolah Menengah Kejuruan (SMK) Negeri Satu Tahuna, dengan pilihan program studi Teknik Komputer dan Jaringan pada tahun 2005-2008. Pada tahun 2008 penulis melanjutkan pendidikan ke jenjang perguruan tinggi di Universitas Sariputra Indonesia Tomohon (UNSRIT), Jurusan Teknik, Program Studi Teknik Informatika dan memperoleh gelar Sarjana Teknik pada tahun 2012. Pada bulan februari tahun 2013, penulis mulai mengabdi sebagai dosen tetap di Jurusan Teknik Komputer dan Komunikasi, Politeknik Negeri Nusa Utara (Polnustar). Pada bulan Oktober 2013, penulis menerima beasiswa DIKTI PraS2 Saintek Daerah 3T di Jurusan Matematika, Insitut Teknologi Sepuluh Nopember Surabaya (ITS) dan pada tahun 2014 melanjutkan pendidikan di Program Magister Jurusan Teknik Informatika, Insitut Teknologi Sepuluh Nopember Surabaya (ITS) dan memperoleh gelar Master Komputer (M.Kom) Pada tahun 2017.

69