identifikasi kanker kulit melanoma menggunakan

IDENTIFIKASI KANKER KULIT MELANOMA MENGGUNAKAN

CONVOLUTIONAL NEURAL NETWORK

SKRIPSI

MUHAMMAD RIZKY LUBIS

131402116

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2020




SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah

Sarjana Teknologi Informasi


131402116

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI


MEDAN

2020


i


ii

PERNYATAAN



SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa

kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, 28 Januari 2020


131402116


iii

UCAPAN TERIMA KASIH

Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa, karena kasih-

Nya penulis dapat menyelesaikan skripsi ini, sebagai syarat untuk memperoleh

gelar Sarjana Komputer pada Program Studi S1 Teknologi Informasi Fakultas

Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.

Ucapan terima kasih penulis sampaikan kepada:

1. Bapak Prof. Runtung Sitepu, SH., M.Hum selaku Rektor Universitas

Sumatera Utara.

2. Bapak Prof. Dr. Drs. Opim Salim Sitompul, M.Sc. selaku Dekan Fasilkom-TI

Universitas Sumatera Utara.

3. Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc. selaku Ketua Program

Studi S1 Teknologi Informasi Universitas Sumatera Utara dan juga sebagai

Dosen Pembimbing 1 yang telah memberikan bimbingan dan saran kepada

penulis.

4. Bapak Ainul Hizriadi, S.Kom., M.Sc selaku Dosen Pembimbing 2 yang telah

memberikan kritik dan saran untuk penyempurnaan skripsi ini.

5. Bapak Dedi Arisandi, S.T., M. Kom. selaku Dosen Pembanding 1 yang telah

memberi kritik dan saran kepada penulis.

6. Bapak Fahrurrozi Lubis, B.IT, M.Sc.IT selaku Dosen Pembanding 2 yang

memberi kritik dan saran kepada penulis.

7. Orang tua terkasih, Bapak Asran Lubis dan Ibu Sri Hariani Nasution yang

selalu mendoakan, memberi semangat dan kasih sayang yang tulus kepada

penulis.

8. Adik terkasih, Anggi Putri Sari Lubis S.E dan Ridwan Azhari Lubis yang

selalu mendoakan, memberi semangat dan kasih sayang yang tulus kepada

penulis.

9. Teman-teman Teknologi Informasi USU 2013 khususnya Kom C.

10. Teman- teman Gamadiksi USU yang selalu memberikan semangat kepada

penulis untuk menyelsaikan skripsinya

11. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat

penulis ucapkan satu persatu yang telah membantu penyelesaian skripsi ini.


iv

Semoga Tuhan yang Maha Esa melimpahkan berkah kepada semua pihak yang

telah memberikan bantuan, perhatian, serta dukungan kepada penulis dalam

menyelesaikan skripsi ini.

Medan, 28 Januari 2020

Penulis


v

ABSTRAK

Melanoma merupakan keganasan kulit yang berasal dari sel-sel melanosit, sel-sel

tersebut masih mampu membentuk melanin, sehingga pada umumnya melanoma

berwarna coklat atau kehitaman. Melanoma merupakan salah satu dari penyakit

mematikan yang dapat membahayakan jiwa manusia. Dokter dermatologis dapat

mendiagnosis kanker kulit melanoma dengan melalui proses biopsi. Biopsi adalah

pengambilan sejumlah kecil jaringan tubuh manusia untuk pemeriksaan laboratorium

yang bertujuan untuk mendeteksi adanya suatu penyakit. Namun, kekurangan biopsi

adalah butuh persiapan yang panjang dan waktu penyembuhan luka yang sedikit lama.

Sistem analisis komputerisasi citra dermoscopy dapat digunakan untuk mengatasi

masalah ini. Dalam sistem ini, algoritma yang digunakan adalah Convolutional Neural

Network (CNN) untuk membantu dokter dermatologis melakukan diagnosa tahap awal

dalam mengidentifikasi melanoma dan non melanoma. Teknik pengolahan citra digital

akan diterapkan untuk meningkatkan kualitas citra. Pada tahap preprocessing, metode

yang digunakan adalah metode image adjustment. Pada tahap berikutmya yaitu

segmentasi menggunakan metode thresholding. Setelah itu, citra akan diklasifikasikan

menjadi melanoma atau non melanoma menggunakan metode CNN. Berdasarkan

pengujian dataset citra dermoscopy diperoleh nilai precision 80% dan recall sebesar

100% dan memiliki tingkat keefektifan sistem yang baik.

Kata kunci : melanoma, citra dermoscopy, convolutiona neural network, image

processing


vi

ABSTRACT

Melanoma is a skin malignancy originating from melanocyte cells, these cells are still

able to produce melanin, so melanoma is brown or blackish generally. Melanoma is

one of the deadly diseases that can be endanger for human lives. Dermatologists can

diagnose melanoma skin cancer with a biopsy process. Biopsy is taking a small of

human body tissue for laboratory tests aimed to detecting the disease. However,

biopsy requires a long preparation and a longer healing time. A computerized image

analysis system for dermoscopy can be used to solve this problem. In this system, The

algorithm used is the Convolutional Neural Network (CNN) to help dermatologists

perform initial diagnosis to identify melanoma and non melanoma. Digital image

processing techniques will be applied to improve image quality. At the preprocessing,

the method used is the image adjustment method. In the next step, segmentation uses

the thresholding method. After that, the image will be classified as melanoma or non-

melanoma using the CNN method. Based on testing of the dermoscopy image dataset,

the value of precision is 80% and recall is 100% and the level of system effectiveness

is good.

Keywords: melanoma, image dermoscopy, convolution neural network, image

processing


vii

DAFTAR ISI

PERSETUJUAN i

PERNYATAAN ii

UCAPAN TERIMA KASIH iii

ABSTRAK v

ABSTRACT vi

DAFTAR ISI vii

DAFTAR TABEL ix

DAFTAR GAMBAR x

BAB 1 PENDAHULUAN 1

1.1. Latar Belakang 1

1.2. Rumusan Masalah 3

1.3. Batasan Masalah 3

1.4. Tujuan Penelitian 3

1.5. Manfaat Penelitian 3

1.6. Metodologi Penelitian 4

1.7. Sistematika Penulisan 5

BAB 2 LANDASAN TEORI 6

2.1. Kulit 6

2.2. Kanker Kulit 7

2.3. Melanoma 7

2.3.1. Superficial Spreading Melanoma 9

2.3.2. Nodular Melanoma 9

2.3.3. Lentigo Maligna Melanoma 10

2.3.4. Acral Lengtiginous Melanoma (ALM) 11

2.4. Pengolahan Citra 12

2.5. Image Adjustment 12

2.6. Thresholding 13

2.7. Convolutional Neural Network 15


viii

2.8. Penelitian Terdahulu 17

BAB 3 ANALISIS DAN PERANCANGAN 20

3.1. Dataset 20

3.2. Analisis Sistem 20

3.2.1. Input Citra Dermoscopy 22

3.2.2. Image Adjustment 22

3.2.3. Thresholding 22

3.2.4. Convolutiona Neural Network 23

3.3. Perancangan Sistem 26

3.3.1. Rancangan Tampilan Awal 26

3.3.2. Rancangan Tampilan Utama 27

BAB 4 IMPLEMENTASI DAN PENGUJIAN 30

4.1. Implementasi Sistem 30

4.1.1. Spesifikasi Perangkat Keras dan Perangkat Lunak 30

4.1.2.Implementasi Perancangan Antarmuka 30

4.1.3.Implementasi Data 32

4.2. Prosedural Operasional 33

4.3. Pengujian Sistem 39

4.4. Analisis Precesion dan Recall 47

BAB 5 KESIMPULAN DAN SARAN 49

5.1. Kesimpulan 49

5.2. Saran 49

DAFTAR PUSTAKA 50


ix

DAFTAR TABEL

Tabel 2.1. Penelitian Terdahulu 18

Tabel 3.1. Keterangan Arsitektur CNN 24

Tabel 4.1. Citra Non Melanoma 40

Tabel 4.2. Citra Melanoma 43

Tabel 4.3. Hasil Identifikasi Citra Melanoma 45

Tabel 4.4. Hasil Identifikasi Citra Non Melanoma 46

Tabel 4.4. Hasil Precesion dan Recall 48


x

DAFTAR GAMBAR

Gambar 2.1. Superfecial Spreading Melanoma 9

Gambar 2.2. Nodular Melanoma 10

Gambar 2.3. Lentigo Maligna Melanoma 11

Gambar 2.4. Acral Lengtiginous Melanoma 11

Gambar 2.5. Kiri : Citra asli, Kanan : Citra setelah image adjusment 13

Gambar 2.6. Arsitektur Convolutional Neural Network 16

Gambar 2.7. Operasi Max Pooling 16

Gambar 3.1. Arsitektur Umum 21

Gambar 3.2. Citra Asli 22

Gambar 3.3. Citra Image adjustment 22

Gambar 3.4. Citra Thresholding 23

Gambar 3.5. Arsitektur CNN 23

Gambar 3.6. Rancangan Tampilan Awal 27

Gambar 3.7. Rancangan Tampilan Utama 28

Gambar 4.1. Tampilan Awal Aplikasi 31

Gambar 4.2. Tampilan Utama Aplikasi 31

Gambar 4.3. Melanoma 32

Gambar 4.4. Non Melanoma 32

Gambar 4.5. Menu Utama 33

Gambar 4.6. Pencarian citra data latih Non Melanoma 33

Gambar 4.7. Pilih semua citra data latih non melanoma 34

Gambar 4.8. Jumlah Data Latih Non Melanoma 34

Gambar 4.9. Pilih Citra Data Latih Melanoma 35

Gambar 4.10. Jumlah Data Latih Melanoma 35

Gambar 4.11. Proses Data Latih 36

Gambar 4.12. Proses Data Inisialitation 36

Gambar 4.13. Proses Latih Data 37

Gambar 4.14. Pilih Data Test 37


../../../Kuliah/Tugas%20Akhir/SKRIPSI/REFERENSI/cover%20dan%20abstrak.docx#_Toc465509024




























xi

Gambar 4.15. Proses Image Adjustment 38

Gambar 4.16. Proses Thresholding 38

Gambar 4.17. Proses Identifikasi Image 39





BAB I

PENDAHULUAN

1.1 Latar Belakang

Kulit adalah salah satu organ penting yang dimiliki oleh manusia, yang membantu

untuk menyelimuti otot, tulang dan semua bagian tubuh. Fungsi kulit mempunyai

kepentingan yang sangat besar karena sedikit mengalamai perubahan atau terjadi

masalah pada fungsi kulit maka akan mengganggu bagian lain dari tubuh manusia.

Tapi, karena kulit merupakan organ terluar dari tubuh manusia maka kulit akan

sangat rentan mengalami penyakit yang berbahaya yaitu kanker kulit. (Suhil et al,

2015).

Kanker kulit diartikan sebagai pertumbuhan sel yang sulit untuk di kontrol.

Kanker kulit terbentuk akibat penyebarannya yang sangat cepat melalui sel kulit.

Pada saat ini, pasien kanker kulit cenderung meningkat, karena cuaca yang ekstrim

dan kurang memahaminya masyarakat tentang bahaya sinar matahari. Hal yang

menjadi penyebab utama dari kanker kulit adalah karena terlalu berlebihan terkena

sinar ultraviolet (UV). Penyebab lainnya adalah luka lama yang tidak sembuh dan

mengakibatkkan berkembangnya luka tersebut menjadi sel kanker. Pada wanita

kanker kulit merupakan peringkat ketiga penderita terbanyak setelah kanker rahim

dan kanker payudara. Pada pria kanker kulit merupakan peringkat kedua penderita

terbanyak setelah kanker paru.salah satu jenis kanker kulit yang paling berbahaya

adalah melanoma.

Melanoma merupakan salah satu dari penyakit mematikan yang dapat

membahayakan jiwa manusia. Menurut American Melanoma Foundation, kanker

melanoma menyebabkan kematian hingga 75% dari seluruh kematian yang

berhubungan dengan kanker kulit. Dari fakta tersebut, deteksi dini adalah salah satu

cara untuk mengatasi penyakit kanker kulit ini. Tapi, pakar dermatologis

mengatakan bahwa adanya kesulitan dalam membedakan antara luka bakar dan tahi

lalat.. Dokter dermatologis dapat mendiagnosis kanker kulit melanoma dengan


2

melalui proses biopsi. Biopsi adalah pengambilan sejumlah kecil jaringan tubuh

manusia untuk pemeriksaan laboratorium yang bertujuan untuk mendeteksi adanya

suatu penyakit. Namun, kekurangan biopsi adalah butuh persiapan yang panjang

dan waktu penyembuhan luka yang sedikit lama. Proses ini akan sulit dilakukan di

daerah yang tidak memiliki fasilitas kesehatan, karena prosesnya memerlukan

teknologi yang canggih. Masalah ini menimbulkan ketertarikan dalam

mengklasifikasikan citra melanoma untuk memudahkan diagnosa secara klinis.

Klasifikasi citra melanoma ini dikembangkan sebagai sebuah sistem komputer

bantu CAD (Computer-Aided System) diagnosa klinis melanoma sebagai sebuah

dukungan untuk para pakar dermatologis dalam langkah analisis yang berbeda,

seperti deteksi batas luka, penghitungan fitur diagnosa, klasifikasi pada tipe luka

yang berbeda dan lain-lain. (Bilqis dkk, 2011)

Banyak penelitian yang telah dilakukan untuk mendeteksi kanker

melanoma antara lain penelitian (Amaliah dkk, 2011) menggunakan metode

thresholding pada tahap segmentasi, ABC pada tahap ektrasksi fitur dan voted

perceptron pada tahap klasifikasinya. Penelitian (Auliya, et al. 2017) tentang

klasifikasi pendarahan otak menggunakan metode grayscale, scalling dan CNN

pada tahap klasifikasinya. Dalam penelitan (Joseph, et al. 2015) yang berjudul Skin

Lesion Analysis System for Melanoma Detection with an Effective Hair

Segmentation Method menggunakan metode thresholding otsu (Segmentasi), Hair

Removal (Preprocessing), SVM (Klasifikasi). Penelitian (Manda Rohandi, 2012)

menggunakan Penerapan Algoritma Image Adjustment Pada Metode WaFuMos

Dalam Penentuan Prosentase Positifitas Antigen Citra Imunohistokimia Pulasan

Cokelat.

Berdasarkan latar belakang tersebut, penulis mengusulkan penelitian

dengan menggunakan metode thresholding pada tahap segmentasi dan image

adjustment pada tahap preprocessing dan menggunakan metode CNN

(Convolutional Neural Network) pada tahap klasifikasi. Diharapkan penelitian ini

dapat memberikan akurasi yang baik dalam mendiagnosa penyakit kanker kulit

melanoma. Penelitian ini diberi judul “Identifikasi Kanker Kulit Melanoma

Dengan Menggunakan Convolutional Neural Network” .


3

1.2 Rumusan Masalah

Biopsi merupakan cara medis yang digunakan oleh dokter untuk mendiagnosis

kanker kulit melanoma. Tetapi cara ini membutuhkan banyak persiapan dan waktu

yang lama. Hal ini ditakutkan akan membuat sel kanker menyebar semakin meluas.

Diperlukan suatu sistem untuk mendeteksi kanker melanoma dengan cepat dan

memberikan hasil akurasi deteksi yang baik.

1.3 Batasan Masalah

Pada penelitian ini peneliti membuat batasan masalah untuk mencegah meluasnya

ruang lingkup permasalahan dalam penelitian ini. Adapun batasan masalah tersebut,

diantaranya yaitu:

1. Sistem ini hanya menentukan melanoma atau tidak melanoma.

2. Sistem ini menggunakan metode Convolutional Neural Network pada tahap

klasifikasinya.

3. Citra yang digunakan adalah citra dermoscopy dengan ekstensi .bmp

1.4 Tujuan Penelitian

Tujuan penelitian ini adalah untuk memgidentifikasi penyakit kanker kulit

melanoma menggunakan metode Convolutional Neural Network

1.5 Manfaat Penelitian

1. Memberikan kemudahan dalam mendiagnosa dan juga menganalisa kanker kulit

melanoma

2. Dapat membantu dokter dalam melakukan diagnosis awal kanker kulit

melanoma


4

1.6 Metodologi Penelitian

Tahapan-tahapan yang akan dilakukan dalam penelitian ini adalah sebagai berikut

:

1.6.1 Studi Literatur

Studi literatur dilakukan untuk mengumpulkan berbagai bahan referensi mengenai

image processing, metode Convolutional Neural Network, kanker kulit dan

melanoma. Dari berbagai jurnal, artikel, buku dan beberapa sumber referensi

lainnya.

1.6.2 Analisis Permasalahan

Pada tahap ini dilakukan analisis permasalahan dari informasi yang didapat pada

tahapan sebelumnya agar didapatkan metode yang tepat untuk mengatasi masalah

dalam penelitian ini yaitu deteksi penyakit melanoma melalui citra dermoscopi.

1.6.3. Perancangan Sistem

Pada tahap ini dilakukan perancangan sistem untuk menyelesaikan permasalahan

yang terdapat di dalam tahap analisis.

1.6.4 Implementasi

Pada tahap ini dilakukan implementasi berdasarkan analisis yang telah dilakukan

dalam bentuk pembuatan program sesuai dengan perancangan yang telah dilakukan

sebelumnya.

1.6.5 Pengujian

Tahap selanjutnya yaitu melakukan pengujian terhadap sistem yang telah dibangun

untuk menguji seberapa mampu metode Convolutional Neural Network dalam

mendeteksi penyakit kulit melanoma dan memastikan hasil yang diperoleh sesuai

dengan yang diharapkan.

1.6.6 Penyusunan Laporan

Pada tahap akhir ini dilakukan penulisan laporan dari keseluruhan penelitian yang

telah dilakukan.


5

1.7 Sistematika Penulisan

Sistematika penulisan dari skripsi ini terdiri dari lima bagian utama sebagai berikut:

Bab 1: Pendahuluan

Bab ini terdiri dari latar belakang, rumusan masalah, tujuan penelitian, batasan

masalah, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.

Bab 2: Landasan Teori

Bab ini terdiri dari teori-teori yang digunakan dan berhubungan dalam

permasalahan yang dibahas pada penelitian ini.

Bab 3: Analisis dan Perancangan Sistem

Bab ini berisi tentang analisis dari arsitektur umum serta analisis dari metode yang

digunakan yaitu metode Convolutional Neural Network dan penerapannya dalam

pembuatan sistem untuk mengklasifikasi penyakit kanker kulit melanoma.

Bab 4: Implementasi dan Pengujian Sistem

Bab ini berisi pembahasan tentang implementasi dari metode yang digunakan serta

analisis dan perancangan yang telah dilakukan sebelumnya serta pengujian

terhadap hasil yang didapatkan apakah sesuai dengan yang diharapkan.

Bab 5: Kesimpulan Dan Saran

Bab ini berisi kesimpulan dari keseluruhan penelitian yang telah di uraikan pada

bab-bab sebelumnya serta saran-saran yang diajukan untuk pengembangan dan

penelitian selanjutnya.


BAB II

LANDASAN TEORI

Bab ini membahas tentang teori-teori pendukung dan penelitian sebelumnya yang

berhubungan dengan penerapan metode Convolutional Neural Network untuk

mengidentifikasi melanoma.

2.1. Kulit

Kulit adalah alat tubuh yang paling luas, mempunyai berat kira-kira 15% dari

seluruh tubuh berat tubuh. Kulit secara anatomis merupakan batas antara tubuh

dengan lingkungan (Achmad, 1993).

Menurut (Achmad, 1993), kulit mempunyai fungsi antara lain sebagai :

1. Pelindung, kulit yang mempunyai sifat elastis merupakan penutup tubuh yang

paling tahan, yang melindungi manusia dalam kehidupannya dari pengaruh

lingkungan yang sangat kompleks. Di samping itu kulit mencegah kehilangan

air dan elektrolit tubuh yang berlebihan.

2. Pengatur suhu tubuh, dengan cara mengeluarkan keringat dan mengerutkan

pembuluh darah kulit.

3. Indera rasa, empat indera rasa, yaitu rasa nyeri, suhu (panas, dingin), rabaan dan

tekanan terdapat pada kulit.

4. Ekskresi, mengeluarkan zat-zat yang tidak berguna melalui kelenjar kulit.

5. Absorpsi, cairan yang mudah menguap atau yang larut dalam lemak lebih mudah

diserap oleh kulit.

6. Pembentuk pigmen melanin, ialah pigmen yang mempunyai daya perlindungan

bagi kulit.


7

2.2 Kanker Kulit

Kanker kulit secara umum dibagi atas dua golongan besar yaitu melanoma

(melanoma malignum) dan non melanoma. Kedua golongan ini dibedakan karena

berbagai sifat yang berlainan (Achmad, 1993).

Menurut (Achmad, 1993), jenis-jenis kanker kulit antara lain :

1. Karsinoma sel basal ialah kanker kulit yang paling sering pada orang-orang

dengan warna kulit cerah yang sehari-harinya banyak berhubungan dengan sinar

matahari. Karsinoma sel basal mempunyai sifat tumbuh lambat dan jarang

bermetastasis.

2. Karsinoma sel squamosal pada kulit menduduki peringkat kedua dan berasal

dari sel epitel pembentuk keratin pada epidermis. Karsinoma sel squamosal

biasanya terjadi pada area yang terkena sinar matahari terutama pada bagian

kepala dan tangan.

3. Melanoma malignan adalah kanker kulit yang berasal dari melanosit (sel

pembentuk pigmen) pada epidermis. Melanoma malignan merupakan bentuk

yang lebih jarang terjadi tetapi menyebar paling cepat dan membutuhkan

penanganan yang paling intensif. Melanoma biasanya terdapat pada kulit, tahi

lalat atau bercak-bercak sejak lahir, tetapi dapat pula terjadi dimana saja.

2.3 Melanoma

Melanoma merupakan keganasan kulit yang berasal dari sel-sel melanosit; sel-sel

tersebut masih mampu membentuk melanin, sehingga pada umumnya melanoma

berwarna coklat atau kehitaman. Beberapa melanoma yang sel-selnya tidak dapat

membentuk melanin lagi tampak berwarna merah muda, tan, atau bahkan putih.

Melanoma bisa ditemukan di bagian mana saja di tubuh, paling sering di dada dan

punggung pada pria, di tungkai bawah pada wanita. Lokasi lain yang sering adalah

di wajah dan leher. Melanoma juga dapat ditemukan di mata, mulut, daerah genital,

dan daerah anus, walaupun jarang. Kulit lebih gelap menurunkan risiko terkena

melanoma; Melanoma 20 kali lebih sering ditemukan pada kulit putih dibandingkan

kulit gelap.


8

Beberapa faktor risiko yang memudahkan seseorang terkena MM, di

antaranya:

1. Pajanan sinar ultraviolet (UV), merupakan faktor risiko utama pada banyak

kasus MM. Sinar UV bisa berasal dari matahari atau tanning beds. Sinar

matahari merupakan sumber utama penghasil sinar UV, sehingga orang yang

mendapatkan banyak paparan sinar matahari mempunyai risiko lebih besar

menderita kanker kulit. Ada 3 jenis utama sinar UV, yaitu: a) Sinar UVA: Sinar

ini dapat merusak DNA (DeoxyriboNucleic Acid) sel kulit bila terpapar terus-

menerus dalam jangka lama dan berperan menimbulkan beberapa jenis kanker

kulit; b) Sinar UVB: Sinar UVB dapat secara langsung merusak DNA sel kulit;

sumber utama sinar UVB adalah matahari yang menjadi penyebab terbanyak

kanker kulit; c) Sinar UVC: Sinar ini tidak dapat melewati atmosfer bumi, oleh

karena itu tidak terkandung dalam pancaran sinar matahari. Sinar ini normalnya

tidak menyebabkan kanker kulit.

2. Melacynotic nevi atau biasa disebut tahi lalat adalah salah satu tumor berpigmen

yang sifatnya jinak. Biasanya baru mulai terlihat saat anak-anak dan remaja.

Melacynotic nevi ini sebenarnya bukan masalah, tetapi jika jumlahnya banyak

dan bentuknya irreguler atau ukurannya besar, kemungkinan menjadi melanoma

lebih besar.

3. Kulit putih, freckles, rambut berwarna kuning atau merah.

4. Riwayat keluarga menderita melanoma.

5. Pernah menderita melanoma sebelumnya.

6. Imunosupresi: Sistem imun dalam keadaan lemah atau sedang mendapat terapi

obat yang menekan sistem imun.

7. Jenis kelamin, sebelum usia 40 tahun melanoma banyak ditemukan pada wanita

dan setelah usia 40 tahun melanoma banyak ditemukan pada pria.

8. Genetik (mutasi gen CDKN2a).

Melanoma merupakan transformasi ganas melanosit; dikenal lima fase

pertumbuhan dan perubahan melanosit menjadi sel ganas berdasarkan klinis,

histopatologi, imunopatologi, sitogenetiknya, yaitu: 1) Benign melanocytic nevi; 2)

Atypical nevi; 3) Primary malignant melanoma, radial growth phase (kelompok sel

melanoma belum sampai ke dermis); 4) Primary malignant melanoma, vertical


9

growth phase (kelompok sel melanoma sudah sampai di dermis); 5) Metastatic

melanoma.

Melanoma dapat diklasifikasikan menjadi empat subtipe, yaitu:

2.3.1 Superficial Spreading Melanoma (SSM)

Superficial Spreading Melanoma (SSM) merupakan subtipe MM yang paling

sering (70% kasus cutaneous melanoma maligna), terutama pada orang kulit putih.

Sering ditemukan pada usia di atas 40 tahun, lebih sering pada wanita dengan

predileksi di tungkai bawah. Pada pria biasanya SSM ditemukan di daerah

punggung atas. SSM awalnya ditandai dengan perkembangan lambat radial growth

phase sebelum menginvasi dermis (vertical growth phase). Lesi SSM biasanya

dimulai dari bentuk papul dan selanjutnya bentuk nodus dan ulkus. Warna lesi SSM

bervariasi tidak hanya coklat dan hitam, tetapi juga merah muda, biru, dan abu-abu.

Lesi SSM bersifat asimetris dan batas tidak tegas. Pada umumnya SSM timbul pada

kulit normal (de novo) dan asimptomatik. Contoh gambar dapat dilihat pada gambar

2.1

Gambar 2.1 Superficial Spreading Melanoma

(https://www.skincancer.net.au/superficial-spreading-melanoma)

2.3.2 Nodular Melanoma (NM)

Nodular Melanoma (NM) merupakan jenis melanoma kedua terbanyak (15-30%)

pada orang kulit putih. Lesi ini lebih agresif dibanding SSM. Predileksi di

punggung atas untuk laki-laki, dan di tungkai bawah untuk wanita. Biasanya NM

ditemukan pada usia pertengahan. Lesi NM dapat berupa nodul, polipoid, atau

pedunculated. Lesi berwarna biru atau hitam, dapat merah muda atau kemerahan.


https://www.skincancer.net.au/superficial-spreading-melanoma

10

Pertumbuhan NM agresif mulai dalam beberapa minggu hingga bulan, dapat

mengalami ulserasi dan mudah berdarah hanya karena trauma ringan. Lesi awal

biasanya asimetris, batas tidak tegas dengan ukuran > 6 mm. Contoh gambar dapat

dilihat pada gambar 2.2

Gambar 2.2 Nodular Melanoma

(https://www.sciencedirect.com/topics/medicine-and-dentistry/nodular melanoma)

2.3.3 Lentigo Maligna Melanoma (LMM)

Lentigo Maligna Melanoma (LMM) merupakan subtipe melanoma yang jarang,

hanya sekitar 10-15% dari semua kasus melanoma. Ciri khas muncul pada daerah

pajanan kronis terhadap matahari terutama wajah, biasanya pada usia 70-80 tahun.

LMM selalu dimulai dari bentuk Lentigo Maligna in situ. Lentigo Maligna in situ

adalah tumor jinak intraepidermal yang pertumbuhannya lambat dalam 5-15 tahun,

sebelum berubah menjadi bentuk invasif, yaitu LMM. Lentigo Maligna in situ

diawali dengan makula pigmentasi yang meluas bertahap hingga diameternya

mencapai beberapa sentimeter, tepi tidak teratur, dan tidak mengalami indurasi.

Hanya 3-5% lentigo maligna in situ yang akan menjadi LMM. Makin besar ukuran

lesi lentigo maligna in situ, risiko menjadi LMM juga makin besar. Contoh gambar

LMM dapat dilihat pada gambar 2.3


https://www.sciencedirect.com/topics/medicine-and-dentistry/nodular-melanoma

11

Gambar 2.3 Lentigo Maligna Melanoma (LMM)

(https://www.aocd.org/page/LentigoMaligna)

2.3.4. Acral Lengtiginous Melanoma (ALM)

ALM merupakan subtipe melanoma yang jarang ditemukan pada orang kulit putih

(sekitar 2-8%), sering ditemukan pada orang kulit hitam (60-72%) dan orang Asia

(29- 46%). Predileksi usia >65 tahun, di mana lebih sering pada laki-laki. ALM

biasanya timbul di daerah tidak berambut, yaitu telapak kaki, telapak tangan, dan

daerah subungual. Karena perkembangan ALM lambat, biasanya ditemukan jika

sudah invasif. Awalnya ALM berupa lesi pigmentasi dengan tepi tidak beraturan

dan tidak tegas, kemudian akan mengalami vertical growth phase yang ditandai

dengan nodus yang berkembang menjadi ulkus. Contoh gambar dapat dilihat pada

gambar 2.4

Gambar 2.4 Acral Lengtiginous Melanoma

(https://www.medicalnewstoday.com/articles/320223.php)


https://www.aocd.org/page/LentigoMaligna

https://www.medicalnewstoday.com/articles/320223.php

12

2.4 Pengolahan Citra

Pengolahan citra digital (Digital Image Processing) adalah sebuah disiplin ilmu

yang mempelajari tentang teknik-teknik mengolah citra. Citra yang dimaksud disini

adalah gambar diam (foto) maupun gambar bergerak (yang berasal dari webcam).

Sedangkan digital disini mempunyai maksud bahwa pengolahan citra/gambar

dilakukan secara digital menggunakan komputer. Secara matematis, citra

merupakan fungsi kontinyu (continue) dengan intensitas cahaya pada bidang dua

dimensi. Agar dapat diolah dengan komputer digital, maka suatu citra harus

dipresentasikan secara numerik dengan nilai-nilai diskrit. Repersentasi dari fungsi

kontinyu menjadi nilai-nilai diskrit disebut digitalisasi citra. (RD. Kusumanto &

Alan Novi Tompunu, 2011). Pada umumnya, operasi-operasi pada pengolahan itra

diterapkan pada citra bila (Jain, 1989)

a. Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas

penampakan atau menonjolkan beberapa aspek informasi yang terkandung di

dalam citra,

b. Elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur,

c. Sebagian citra perlu digabung dengan bagian citra yang lain.

Agar dapat diolah dengan mesin (computer) digital, maka suatu citra harus

direpresentasikan secara numeric dengan nilainilai diskrit. Reprresentasi citra dari

fungsi malar (continue) menjadi nilai-nilai diskrit disebut digitalisasi. Citra yang

dihasilkan inilah yang disebut Citra Digital. Pada umumnya citra digital berbentuk

empat persegi panjang, dan dimensi ukurannya dinyatakan sebagai tinggi x lebar

(Munir, 2004)

2.5 Image Adjustment

Image adjusment (imadjust) merupakan tools dasar yang terdapat pada Image

Processing Toolbox yang berguna untuk meningkatkan intensitas cahaya pada

sebuah citra . Berikut adalah contoh image adjustment pada citra RGB yang dapat



13

Gambar 2.5 Kiri : Citra asli, Kanan : Citra setelah image adjusment

2.6 Thresholding

Metode ini merupakan salah satu metode untuk segmentasi citra digital dengan

menggunakan nilai ambang secara otomatis, yakni mengubah citra digital warna

abu-abu menjadi hitam putih berdasarkan perbandingan nilai ambang dengan nilai

warna piksel citra digital. Metode Otsu thresholding diperkenalkan pertama kali

oleh Nobuyuki Otsu, dalam jurnal ilmiahnya yang berjudul “A Threshold Selection

Method from Grayscale Histogram” pada tahun 1979 [9]. Untuk mendapatkan nilai

threshold ada perhitungan yang harus dilakukan. Langkah awal yang harus

dilakukan adalah membuat histogram. Dari histogram dapat diketahui jumlah piksel

untuk setiap tingkat keabuan. Tingkat keabuan citra dinyatakan dengan i sampai

dengan L. Level ke i dimulai dari 1, yaitu piksel 0. Untuk L, maksimal level adalah

256 dengan piksel bernilai 255. Nilai ambang yang akan dicari dari suatu citra

grayscale dinyatakan dengan k. Nilai k berkisar antara 0 sampai dengan L-1, dengan

nilai L=256 (simbol histogram adalah Pi) [9]. Jadi probabilitas setip piksel pada

level ke i dinyatakan dengan persamaan (1):

𝑃𝑖 = 𝑛𝑖

𝑁

(2.1)

Keterangan:

Pi = Probabilitas piksel ke-i

ni = Jumlah piksel dengan tingkat keabuan i

N = Total jumlah piksel pada citra


14

Langkah selanjutnya mencari nilai jumlah kumulatif, rerata kumulatif dan

intensitas global. mencari nilai tersebut dapat melihat persamaan (3), persamaan

(4), dan persamaan (5). Berikut adalah formulasi untuk menghitung jumlah

kumulatif (cumulative sum) dari (k) , untuk L = 0, 1, 2, ..., L-1:

𝜔(𝑘) = ∑ 𝑝𝑖

𝑘

𝑖=0

(2.2)

Berikut adalah formulasi untuk menghitung rerata kumulatif (cumulative

mean) dari (k) , untuk L = 0, 1, 2, ..., L-1:

𝜇(𝑘) = ∑ 𝑖, 𝑝𝑖

𝑘

𝑖=0

(2.3)

Berikut adalah formulasi untuk menghitung rerata intensitas global k T :

𝜇𝑇(𝑘) = ∑ 𝑖, 𝑝𝑖

𝐿−1

𝑖=0

(2.4)

Pada persamaan (2.2), persamaan (2.3), maupun persamaan (2.4), nilai k

menyatakan tingkat level keabuan dimana setiap rentang piksel akan dihitung.

Langkah selanjutnya adalah menentukan varian antar kelas (between class

variance). Persamaan untuk between class variance (2.5):

𝜎𝐵2(𝑘) =

[𝜇𝑇𝜔(𝑘) − 𝜇 (𝑘)]2

𝜔(𝑘)[1 − 𝜔(𝑘)]

(2.5)

Hasil dari perhitungan between class variance dicari nilai maksimal. Nilai

yang paling besar digunakan sebagai threshold atau nilai ambang (k), dengan

persamaan (2.6):

𝜎𝐵2(𝑘) = 𝑚𝑎𝑥1≤𝑥≤𝐿 𝜎𝐵

2 (𝑘)

(2.6)

Keterangan:

𝜔(𝑘) = Jumlah Kumulatif

𝜇(𝑘) = Rerata Kumulatif


15

𝜇𝑇(𝑘) = Rerata Intensitas Global

𝜎𝐵2 = Nilai Ambang

Between class variance bertujuan untuk mencari nilai ambang dari sebuah

citra grayscale, nilai ambang atau threshold digunakan sebagai nilai acuan untuk

mengubah citra grayscale ke citra biner. Setiap citra memiliki nilai ambang yang

berbeda-beda.

2.7. Convolutional Neural Network

Convolutional Neural Network (CNN) adalah pengembangan dari Multilayer

Perceptron (MLP) yang didesain untuk mengolah data dua dimensi. Pada CNN,

setiap neuron direpresentasikan dalam bentuk dua dimensi, tidak seperti MLP yang

setiap neuron hanya berukuran satu dimensi. CNN termasuk dalam Deep Neural

Network karena kedalaman jaringan yang tinggi dan banyak diaplikasikan pada data

citra (Suartika et al, 2016). CNN hampir sama dengan neural network pada

umumnya yang memiliki neuron yang memiliki bobot dan bias. CNN memiliki 1

tahap training (Supervised Backpropagation). Arsitektur Convolutional Neural

Network dapat dilihat pada gambar 2.6.

Gambar 2.6. Arsitektur Convolutional Neural Network (LeCun et al., 1998)

Convolutional Neural Network memiliki 4 layer utama, yaitu :

1. Convolutional Layer

Convolutional Layer melakukan operasi konvolusi terhadap input ataupun

output dari layer sebelumnya. Konvolusi adalah suatu istilah matematis yang


16

berarti mengaplikasikan sebuah fungsi pada output fungsi lain secara berulang.

Konvolusi 2 buah fungsi f(x) dan g(x) didefinisikan sebagai berikut :

ℎ(𝑥) = 𝑓(𝑥) ∗ 𝑔(𝑥) = ∫∞

−∞ 𝑓(𝑎)𝑔(𝑥 − 𝑎)𝑑𝑎

(2.12)

Tujuan dilakukannya konvolusi pada data citra adalah untuk mengekstraksi fitur

dari citra input. Konvolusi akan menghasilkan transformasi linear dari data input

sesuai informasi spasial pada data. Bobot pada layer tersebut

menspesifisikasikan kernel konvolusi yang digunakan, sehingga kernel

konvolusi dapat dilatih berdasarkan input pada CNN (Suartika et al, 2016).

2. Max Pooling (Subsampling)

Max Pooling adalah proses untuk meningkatkan invariansi posisi dari fitur

menggunakan operasi Max. Max Pooling membagi output dari Convolutional

Layer menjadi beberapa grid kecil lalu mengambil nilai maksimal dari setiap

grid untuk menyusun matriks citra yang telah direduksi seperti pada gambar

2.10. Grid yang berwarna merah, hijau, kuning dan biru merupakan kelompok

grid yang akan dipilih nilai maksimumnya. Sehingga hasil proses tersebut dapat

dilihat pada kumpulan grid disebelah kanannya. Proses tersebut memastikan

fitur yang didapatkan akan sama meskipun objek citra mengalami translasi

(pergeseran). Operasi max pooling dapat dilihat pada gambar 2.11

Gambar 2.7. Operasi Max Pooling (Suartika et al, 2016)

3. ReLu (Rectified Linear Units)

Layer ini mengaplikasikan fungsi aktivasi tak jenuh pada node 𝑓(𝑥) = 𝑥+ =

𝑚𝑎𝑥 (0, 𝑥). Layer ini meningkatkan sifat non-linier dari fungsi pengambil

keputusan dan semua jaringan tanpa mempengaruhi bidang reseptif dari

Convolutional Layer. ReLu juga banyak digunakan karena dapat melatih neural


17

network lebih cepat. Namun pada penelitian ini, penulis menggunakan fungsi

aktivasi sigmoid.

4. Fully Connected Layer

Neuron pada Fully Connected Layer memiliki hubungan yang lengkap pada

semua aktivasi dalam layer sebelumnya. Aktivasi tersebut kemudian di

komputasi dengan sebuah perkalian matriks diikuti oleh bias offset.

2.8 Penelitian Terdahulu

Banyak penelitian yang telah dilakukan untuk mendeteksi kanker melanoma antara

lain penelitian yang dilakukan oleh Supriya Joseph dan Panicker R Janu pada tahun

2016 yang berjudul Skin Lesion Analysis System for Melanoma Detection with an

Effective Hair Segmentation Method menggunakan metode thresholding otsu

sebagai segmentasi, hair removal sebagai preprocessing dan SVM sebagai

klasifikasinya.

Penelitian yang dilakukan oleh Auliya Doli Rizki Siregar pada tahun 2017

untuk mengklasifikasi pendarahan otak melalui citra CT. Penelitian yang berjudul

Klasifikasi Pendarahan Otak Menggunakan Metode Extreme Learning Machine ini

menggunakan metode jaringan syaraf tiruan Extreme Learning Machine untuk

mengklasifikasi citra. Dalam Penelitian ini, proses pre-processing menggunakan

Grayscale untuk mengubah citra RGB menjadi hitam dan putih, selanjutnya

dilakukan Scaling untuk memperkecil pixel pada citra. Proses segmentasi

menggunakan Thresholding (Binerisasi) dan klasifikasi menggunakan Extreme

Learning Machine. Akurasi yang didapat dalam penelitian ini 90%.

Penelitian ini dilakukan oleh C. H. Mohammed Koya pada tahun 2017

dengan judul Brain Tumor Detection and Classification in MRI Images. Penelitian

ini menggunakan citra MRI (Magnetic Resonance Imaging) sebagai dataset dan

menggunakan metode jaringan syaraf tiruan Convolutional Neural Network untuk

klasifikasi. Proses segmentasi citra menggunakan algoritma N4ITK untuk

memperbaiki bias pada citra.

Penelitian berikutnya (Amaliyah, Bilqis et al. 2011) Klasifikasi Voted

Perceptron untuk Identifikasi Melanoma menggunakan ekstraksi fitur ABC dan

Voted Perceptron untuk pengklasifikasiannya.


18

Penelitian berikutnya dilakukan oleh Manda Rohandi pada tahun 2012

dengan judul Penerapan Algoritma Image Adjustment Pada Metode WaFuMos

Dalam Penentuan Prosentase Positifitas Antigen Citra Imunohistokimia Pulasan

Cokelat. Penelitian ini menggunakan citra imunohistokimia dengan menggunakan

algoritma pengaturan intensitas warna citra (image adjustment).

Tabel 2.1 Penelitian Terdahulu

No Peneliti Judul Penelitian Metode Tahun

1 Joseph Supriya, R

Panicker Janu

Skin Lesion

Analysis System for

Melanoma

Detection with an

Effective Hair

Segmentation

Method

Penelitian ini

menggunakan

metode

thresholding otsu

(Segmentasi), Hair

Removal

(Preprocessing),

SVM (Klasifikasi)

2016

2 Auliya Doli Rizky

Siregar

Klasifikasi

Pendarahan Otak

Menggunakan

Metode CNN

Grayscale, Scaling,

Extreme Learning

Machine (CNN)

2017

3 C. H. Mohammed

Koya

Brain Tumor

Detection and

Classification in

MRI Images

N4ITK,

Convolutional

Neural Network

2017

4 Amaliah, Bilqis et

al.

Klasifikasi Voted

Perceptron untuk

Identifikasi

Melanoma

Thresholding,

ABC, Voted

Perceptron

2011

5 Manda Rohandi Penerapan

Algoritma Image

Adjustment Pada

Image adjustment,

WaFuMos

(tranformasi

2012


19

Metode WaFuMos

Dalam Penentuan

Prosentase

Positifitas Antigen

Citra

Imunohistokimia

Pulasan Cokelat.

wavelet, fuzzy logic

dengan fuzzy

inference system

sugeno orde 1 dan

operasi morfologi)


BAB 3

ANALISIS DAN PERANCANGAN

Bab ini akan membahas tentang analisis dan perancangan dalam aplikasi

identifikasi kanker kulit melanoma. Tahap pertama yaitu analisis data yang

digunakan, analisis dengan menggunakan beberapa tahapan pengolahan citra yang

digunakan, kemudian implementasi metode Convolutional Neural Network (CNN)

dalam mengidentifikasi melanoma tahap awal. Pada tahapan selanjutnya yaitu

dilakukan perancangan tampilan antarmuka sistem.

3.1 Dataset

Data yang digunakan untuk penelitian ini adalah citra dermoscopy yang diperoleh

dari http://www.fc.up.ptladdilph2%20database.html. Dataset terdiri dari 100 citra

untuk data latih dan 30 citra untuk data uji. Data latih terdiri dari 33 citra melanoma

dan 67 citra non melanoma. Data uji terdiri dari 15 citra melanoma dan 15 citra non

melanoma

3.2 Analisis Sistem

Sistem yang dibangun akan memiliki beberapa tahapan. Tahapan pertama akan

dimulai dari pengumpulan citra dermoscopy yang akan digunakan sebagai data latih

dan data uji sistem yang akan dibuat. Tahapan berikutnya adalah preprocessing

dengan menggunakan metode image adjustment untuk meninggkatkan intensitas

cahaya pada citra, kemudian menggunakan metode thresholding untuk membuat

citra hitam putih pada citra yang akan diproses, selanjutnya tahap klasifikasi dengan

menggunakan metode Convolutional Neural Network. Arsitektur umum sistem

dapat dilihat pada gambar 3.1


21

Preprocessing

Image Adjustment

Thresholding

Segmentasi

Convolutional Neural Network

(CNN)

Klasifikasi

Melanoma

Output

Non Melanoma

Gambar 3.1. Arsitektur Umum

Training Dataset Testing Dataset


22

3.2.1 Input Citra Dermoscopy

Citra dermoscopy yang akan digunakan merupakan citra kulit yang telah tersimpan

dalam desktop. Citra yang akan diolah adalah citra dalam bentuk .bmp. Contoh citra

yang akan digunakan dapat dilihat pada gambar 3.2

Gambar 3.2 Citra Asli

3.2.2 Image Adjustment

Tahapan pertama adalah image adjustment. Pada tahap ini bertujuan untuk

meningkatkan intensitas cahaya pada citra. Contoh citra image adjustment dapat


Gambar 3.3 Citra Image adjustment

3.2.3 Thresholding

Tahapan kedua yaitu thresholding. Dimana pada tahapan ini bertujuan untuk

mengubah citra menjadi citra hitam putihyang akan diproses.. Citra thresholding

dapat dilihat pada gambar 3.4


23

Gambar 3.4 Citra thresholding

3.2.4 Convolutional Neural Network (CNN)

Adapun Arsitektur Convolutional Neural Network untuk identifikasi melanoma

dapat dilihat pada Gambar 3.5.

Gambar 3.5. Arsitektur CNN

Keterangan dari gambar arsitektur Convolutional Neural Network untuk

identifikasi melanoma dapat dilihat pada Tabel 3.1.


24

Tabel 3.1 Keterangan Arsitektur CNN

Keterangan Ukuran(node) Keterangan

Input 767 x 567 Jumlah tiap pixel citra

Hidden 30

Output 2

Arsitektur yang akan digunakan dalam jaringan ini terdiri dari 3 Layer

yaitu Input Layer, Hidden Layer, dan Output Layer. Data Input sebanyak 767 x 567

node, Hidden sebanyak 30 node dan Output terdiri dari 2 node (Non Melanoma dan

Melanoma). Hidden Node ditentukan secara random (Huang, 2006). Dapat

ditentukan melalui beberapa uji coba terhadap kebutuhan sistem. Pemilihan Hidden

Node yang berjumlah 30 Node merupakan suatu bobot yang baik dalam

menghasilkan akurasi yang tinggi dalam sistem identifikasi melanoma dan tidak

memakan banyak waktu dalam proses pengolahan citra. Data yang akan

dimasukkan dalam Input Layer akan ditransformasi terlebih dahulu. Pelatihan

dilakukan guna mencari bobot dan bias optimal atau sesuai untuk digunakan pada

proses Testing. Langkah-langkah Training untuk 1 kali Epoch yang akan diproses

adalah sebagai berikut:.

Langkah 1: Inisialisasi semua bobot dan bias secara acak.

Langkah 2: Jika kondisi penghentian belum terpenuhi, maka lakukan langkah 3

sampai langkah 7.

Fase 1 propagasi maju (feedforward)

Langkah 3: Tiap unit masukan menerima sinyal dan meneruskan sinyal tersebut ke

semua Hidden layer.

Langkah 4: Menghitung net input ke hidden layer ℎ1

𝑛𝑒𝑡ℎ1 = 𝑤1 * 𝑖1 + 𝑏1 * 1 (3.1)

Langkah 5: Selanjutnya tentukan fungsi aktivasi sigmoid ke hidden layer ℎ1 dengan

persamaan


25

𝑜𝑢𝑡ℎ1 = 1

1+𝑒𝑛𝑒𝑡ℎ1 (3.2)

Setelah mendapatkan Output pada lapisan Hidden Layer maka langkah

selanjutnya.

Langkah 6: Menghitung net hidden layer ke Output Layer 𝑜1 dengan persamaan

𝑛𝑒𝑡𝑜1 = 𝑤5 * 𝑜𝑢𝑡ℎ1 + 𝑤6 * 𝑜𝑢𝑡ℎ2 + 𝑏2 * 1 (3.3)

Langkah 7: Menghitung nilai output

𝑜𝑢𝑡𝑜1 = 1

1+𝑒𝑛𝑒𝑡𝑜1 (3.4)

Langkah 8: Menentukan nilai Error pada output

𝐸𝑡𝑜𝑡𝑎𝑙 = ∑1

2 (𝑡𝑎𝑟𝑔𝑒𝑡 − 𝑜𝑢𝑡𝑝𝑢𝑡)2 (3.5)

Fase II: Propagasi Mundur (Backward)

Langkah 8: Hitung faktor 𝜕 output berdasarkan nilai error dan nilai output

𝜕 ∑ 𝑡𝑜𝑡𝑎𝑙

𝜕𝑜𝑢𝑡𝑜1 = 2 *

1

2(𝑡𝑎𝑟𝑔𝑒𝑡𝑜1 − 𝑜𝑢𝑡𝑜1)2−1* -1 + 0 (3.6)

𝜕 merupakan unit kesalahan yang digunakan untuk mengubah bobot

layer pada langkah selanjutnya.

Langkah 10: Hitung hasil nilai output

𝑜𝑢𝑡𝑜1 = 1

1+𝑒−𝑛𝑒𝑡𝑜1 (3.7)

Langkah 11: Menghitung net dari Output layer ke Hidden Layer

𝑛𝑒𝑡𝑜1 = 𝑤5* 𝑜𝑢𝑡ℎ1 + 𝑏2 * 1 (3.8)

Fase III: Perubahan Bobot

Langkah 12: Hitung semua perubahan bobot.

Perubahan bobot pada Output Layer ditunjukkan pada persamaan 3.9

𝑤𝑏𝑎𝑟𝑢 = 𝑤𝒍𝒂𝒎𝒂 − 𝑛 ∗ 𝜕 ∑ 𝑜1

𝜕𝑤𝑙𝑎𝑚𝑎 (3.9)

Perubahan bobot pada Hidden Layer ditunjukkan pada persamaan 3.10.

𝑤𝑏𝑎𝑟𝑢 = 𝑤𝒍𝒂𝒎𝒂 − 𝑛 ∗ 𝜕 ∑ ℎ1

𝜕𝑤𝑙𝑎𝑚𝑎 (3.10)


26

W = Bobot

n = Learning Rate

∑ = Jumlah total

Kemudian masuk kedalam tahap Testing untuk menguji tingkat keakuratan sistem

dalam identifikasi melanoma berikut langkah-langkahnya:

1. Masukkan data yang diuji.

2. Masukkan nilai Hidden Node yang optimal dari data pelatihan.

3. Melakukan proses Feedforward dan Backward yaitu menghitung keluaran

Output. Fungsi aktivasi yang digunakan pada jaringan ini adalah Sigmoid Biner.

4. Analisis hasil Output

5. Menarik kesimpulan dari hasil Output.

3.3 Perancangan Sistem

Pada tahap perancangan sistem ini akan dijelaskan tentang tampilan aplikasi baik

itu tampilan awal maupun tampilan halaman utama aplikasi

3.3.1 Rancangan Tampilan Awal

Pada tampilan halaman awal terdapat penjelasan tentang judul penelitian beserta

data peneliti. Pada tombol menu utama di bagian kiri menu atas untuk memulai

aplikasi. Rancangan tampilan awal dapat dilihat pada gambar 3.6


27

Gambar 3.6 Rancangan Tampilan Awal

3.3.2 Rancangan Tampilan Utama

Pada tampilan ini merupakan tampilan utama sistem untuk training dan testing

aplikasi. Dan terdiri dari beberapa pemrosesan lain pada halaman ini. Perancangan

tampilan utama dapat dilihat pada gambar 3.7


28

Gambar 3.7 Rancangan Tampilan Utama

Keterangan :

1. Data testing terdiri dari beberapa tombol button yaitu

a. Tombol button “pilih data test” yang berguna untuk menginput citra data

testing yang akan di identifikasi

b. Tombol button “image adjustment” yang berguna untuk melakukan tahap

preprocessing dengan menggunakan metode image adjustment

c. Tombol button “thresholding” yang berguna untuk melakukan tahap

segmentasi dengan menggunakan metode thresholding

d. Tombol button “identifikasi image” yang berguna untuk melakukan

identifikasi apakah citra tersebut melanoma atau non melanoma dengan

menggunakan metode convolutional neural network (CNN)

2. Data Latih terdiri dari beberapa tombol button yaitu :


29

a. Tombol button “non melanoma” yang berguna untuk melakukan input citra

non melanoma yang akan digunakan pada proses data latih

b. Tombol button “melanoma” yang berguna untuk melakukan input citra

melanoma yang akan digunakan pada proses data latih

c. Tombol button “proses data latih” untuk menjalankan fungsi preprocessing

sampai dengan proses ekstraksi ciri glcm dan hsv untuk setiap data training

d. Tombol button “inisialitation” untuk mempersiapkan data ciri untuk di latih

menggunakan neural network

e. Tombol button latih data untuk menjalankan fungsi training yang nantinya

data training yang akan menjadi acuan ketika sistem menjalankan proses

testing image, hasil dari latih data berupa data latih

1. Gambar citra test akan menampilkan citra asli dari citra dermoscopy melanoma

atau non melanoma

2. Gambar citra hasil adjust menampilkan hasil proses citra yang telah di proses

menggunakan metode image adjustment

3. Gambar citra hasil thresholding menampilkan hasil proses citra yang telah di

proses menggunakan metode thresholding

4. Menu hasil identifikasi menampilkan hasil identifikasi dari tombol button

identifikasi image.

5. Menu waktu proses menampilkan berapa lama waktu pemrosesan pada button

proses data latih dan latih data.


BAB 4

IMPLEMENTASI DAN PENGUJIAN

Bab ini akan membahas hasil dari implementasi metode CNN (Convolutional

Neural Network) untuk identifikasi penyakit melanoma melalui citra dermoscopy

dan pengujian sistem sesuai dengan analisis data dan perancangan yang telah

dibahas pada Bab 3.

4.1 Implementasi Sistem

Pada tahap implementasi sistem identifikasi melanoma menggunakan metode CNN

memerlukan perangkat keras dan perangkat lunak pendukung antara lain :

4.1.1. Spesifikasi perangkat keras dan perangkat lunak

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membuat

program identifikai jenis menyakit kulit adalah sebagai berikut:

1. AMD E1-2100 APU with Radeon(TM) HD Graphics (2 CPUs), ~1.0 GHz

2. Memory (RAM) 4 GB

3. Sistem operasi Windows 8.1 Pro 64-bit

4. Kapasitas hardisk 500 GB

5. VisualStudioCode.1.2.3.1

4.1.2. Implementasi Perancangan Antarmuka

Perancangan antarmuka dibuat berdasarkan rancangan yang telah dilakukan di Bab

3 sebagai berikut:

1. Tampilan awal aplikasi

Tampilan awal aplikasi merupakan halaman awal yang pertama kali muncul

ketika sistem berjalan. Tampilan awal dapat diliat pada gambar 4.1


31

Gambar 4.1 Tampilan Awal Aplikasi

2. Tampilan utama

Tampilan utama aplikasi merupakan halaman untuk mengidentifikasi melanoma

dengan proses pelatihan dan pengujian citra kulit menggunakan metode CNN

(Covolutional Neural Network). Tampilan utama aplikasi dapat dilihat pada

gambar 4.2.

Gambar 4.2 Tampilan Utama Aplikasi


32

4.1.3. Implementasi Data

Data citra yang digunakan dalam aplikasi adalah citra penyakit kulit yang diambil

dari (http://www.fc.up.ptladdilph2%20database.html). Berikut rangkuman data

yang digunakan, dapat dilihat dalam gambar 4.3 dan 4.4.

Gambar 4.3 Melanoma

Gambar 4.4 Non Melanoma


33

4.2 Prosedural Operasional

Tampilan sistem terdiri dari pengolahan gambar, Training data dan Testing data.

Tampilan gambar bisa dilihat pada gambar 4.5

Gambar 4.5 Menu Utama

Proses untuk melakukan Training Data dimulai dari mengklik tombol

button Non Melanoma dan akan tampil direktori citra non melanoma disimpan.

Gambar pencarian data latih non melanoma dapat dilihat pada gambar 4.6

Gambar 4.6 Pencarian citra data latih Non Melanoma


34

Kemudian pilih folder Non Melanoma, lalu pilih semua file citra non

melanoma lalu klik open. Lihat pada gambar 4.7

Gambar 4.7 Pilih Semua Citra Data Latih Non Melanoma

Setelah itu akan terlihat jumlah citra non melanoma yang akan dilatih yaitu

dengan jumlah 67 data latih. Lihat pada gambar 4.8

Gambar 4.8 Jumlah Data Latih Non Melanoma

Kemudian klik tombol button melanoma, lalu akan muncul direktori

dimana citra melanoma disimpan lalu pilih semua citra melanoma nya dan klik

open. Lihat pada gambar 4.9


35

Gambar 4.9 Pilih Citra Data Latih Melanoma

Setelah itu akan terlihat jumlah citra melanoma yang akan dilatih yaitu

dengan jumlah 33 data latih. Lihat pada gambar 4.10

Gambar 4.10 Jumlah Data Latih Melanoma

Kemudian klik button proses data latih untuk menjalankan fungsi

preprocessing dan segmentasi untuk setiap data training melanoma dan non

melanoma yang di input dengan waktu proses kurang lebih 6 menit. Lihat pada

gambar 4.11.


36

Gambar 4.11 Proses data latih

Kemudian klik button Inisialitation untuk mempersiapkan data yang akan

di latih menggunakan CNN. Lihat pada gambar 4.12.

Gambar 4.12 Proses Initsialitation

Kemudian klik button latih data untuk menjalankan fungsi training, yang

data tersebut akan menjadi acuan ketika sistem menjalankan proses testing image.

Waktu untuk proses training data lebih kurang 19 menit. Lihat pada gambar 4.13.


37

Gambar 4.13 Proses Latih Data

Setelah data selesai di training maka tahapan selanjutnya adalah pengujian

data. Hal yang pertama kali dilakukan adalah menginput citra yang akan diuji

dengan cara mengklik button pilih data test lalu pilih citra yang akan di uji dan klik

open. Lihat pada gambar 4.14.

Gambar 4.14 Pilih Data Test

Kemudian citra akan di preprocessing menggunakan metode image

adjusment dengan cara mengklik button Image Adjust untuk memperbaiki kualitas

citra. Lihat pada gambar 4.15.


38

Gambar 4.15 Image Adjustment

Kemudian citra di proses kembali menggunakan metode thresholding.

Klik button thresholding untuk mengubah image hitam putih. Lihat pada gambar

4.16

Gambar 4.16 Proses Thresholding


39

Setelah melakukan ekstraksi ciri maka selanjutnya citra akan di identifikasi.

Pada gambar 4.17 akan ditunjukan waktu proses identifikasinya.

Gambar 4.17 Proses identifikasi image

4.3 Pengujian Sistem

Pada tahap ini dilakukan pengujian terhadap data dan sistem. Pengujian sistem

dilakukan untuk mengetahui kemampuan sistem yang dibangun. Kemampuan

sistem ini bergantung pada proses pelatihan sistem (data training). Parameter yang

digunakan yaitu nilai ciri dari bentuk penyakit kulit itu sendiri. Data yang akan diuji

sebanyak 15 citra melanoma dan 15 citra non melanoma. Pada tahap awal

pengujian, citra dermoscopy non melanoma dan melanoma akan ditingkatkan

kecerahan citra nya menggunanakan image adjustment setelah itu di ubah ke image

keabuan seperti yang terlihat pada tabel 4.1 dan 4.2


40

Tabel 4.1 Citra Non Melanoma

No Citra Asli Image Adjustment Thresholding

1

2

3

4

5

6


41

Tabel 4.1 Citra Non Melanoma (lanjutan)

No Citra asli Image Adjustment Thresholding

7

8

9

10

11

12


42

Tabel 4.1 Citra Non Melanoma (lanjutan)


13

14

15


43

Tabel 4.2 Citra Melanoma


1

2

3

4

5

6


44

Tabel 4.2 Tabel Citra Melanoma (lanjutan)


7

8

9

10

11

12


45

Tabel 4.2 Tabel Citra Melanoma (lanjutan)


13

14

15

Kemudian citra yang sudah diproses melakukan image adjustment dan akan

disegmentasi menggunakan thresholding. Setelah disegmentasi maka akan

dilanjutkan proses identifikasi citra dengan menggunakan metode CNN, seperti

yang terlihat pada tabel 4.3 dan tabel 4.4.

Tabel 4.3 Hasil Identifikasi Melanoma

No Citra Melanoma Output Keterangan

1 Citra M1.bmp Non Melanoma Salah

2 Citra M2.bmp Melanoma Benar






46

Tabel 4.3 Hasil Identifikasi Citra Melanoma (lanjutan)


7 Citra M7.bmp Melanoma Salah









Dari hasil pengujian identifikasi citra melanoma pada tabel 4.3 terlihat ada

satu output citra yang tidak sesuai dengan citra aslinya. Jumlah identifikasi citra

melanoma yang sesuai dengan citra aslinya adalah 13 citra

Tabel 4.4 Hasil Identifikasi Citra Non Melanoma


1 Citra NM1.bmp Non Melanoma Benar




5 Citra NM5bmp Non Melanoma Benar



8 Citra NM8.bmp Melanoma Salah






47

Tabel 4.4 Hasil Identifikasi Citra Non Melanoma (lanjutan)

No Citra Asli Output Keterangan



15 Citra NM15bmp Non Melanoma Benar

Dari hasil pengujian identifikasi citra non melanoma pada tabel 4.4 terlihat

semua output citra sesuai dengan citra aslinya. Jumlah identifikasi citra non

melanoma yang sesuai dengan citra aslinya adalah 11 citra. Sehingga, hasil akurasi

keseluruhan sistem identifikasi melanoma hasil citra dermoscopy menggunakan

CNN yaitu :

𝑨𝒌𝒖𝒓𝒂𝒔𝒊 = 𝑱𝒖𝒎𝒍𝒂𝒉 𝒄𝒊𝒕𝒓𝒂 𝒕𝒆𝒔𝒕𝒊𝒏𝒈 𝒎𝒆𝒍𝒂𝒏𝒐𝒎𝒂 + 𝒏𝒐𝒏 𝒎𝒆𝒍𝒂𝒏𝒐𝒎𝒂 𝒃𝒆𝒏𝒂𝒓

𝑱𝒖𝒎𝒍𝒂𝒉 𝒕𝒐𝒕𝒂𝒍 𝒄𝒊𝒕𝒓𝒂 𝒕𝒆𝒔𝒕𝒊𝒏𝒈 𝒎𝒆𝒍𝒂𝒏𝒐𝒎𝒂 + 𝒏𝒐𝒏 𝒎𝒆𝒍𝒂𝒏𝒐𝒎𝒂

× 𝟏𝟎𝟎% = 𝟏𝟑 + 𝟏𝟏

𝟏𝟓 + 𝟏𝟓 × 𝟏𝟎𝟎%

= 𝟐𝟒

𝟑𝟎 × 𝟏𝟎𝟎 %

= 80 %

Dari perhitungan diatas dapat diketahui bahwa tingkat akurasi dari metode

Convolutional Neural Network dalam mengidentifikasi kanker kulit melanoma

menggunakan citra dermoscopy mencapai 80 %

4.4 Analisis Precision dan Recall

Precison merupakan tingkat ketetapan antara informasi yang diminta oleh

pengguna dengan jawaban yang diberikan oleh sistem. Sedangkan recall

merupakan tingkat keberhasilan sistem dalam menemukan kembali sebuah

informasi. Pada penelitian ini precision dan recall digunakan untuk mengukur

kinerja algoritma Convolutional Neural Network yang berfungsi untuk

mengidentifikasi melanoma


48

Tabel 4.5 Hasil Precision dan Recall

N

o

Katego

ri

Relev

an(a)

Tidak

Relevan(

b)

Tota

l

(a+b

)

Tidak

ditemu

kan (c)

Total

(a+c)

Recall

[a/(a+c

)] x

100%

Precision

[a/(a+b)]

x 100%

1 Melano

ma

13 2 15 0 13 100 % 86,67%

2 Non

Melano

ma

11 4 15 0 11 100 % 73,33%

Rata-Rata 100 % 80 %

Keterangan :

a : Hits (Dokumen yang relevan)

b : Noise (Dokumen yang tidak relevan)

c : Missed (Dokumen relevan yang tidak ditemukan)

P : Precision

R : Recall

Berdasarkan tabel 4.5 rata-rata nilai precision adalah 80 % dan nilai recall

sebesar 100 % dari skla 0 – 100 %. Walaupun nilai precision lebih rendah dari nilai

recall, tingkat keefektifan dari sistem temu kembali informasi pada penelitian ini

sudah dikatakan efektif. Keefektivan suatu sistem temu kembali informasi dinilai

berdasarkan teori yang dicetuskan oleh Lancaster (1991) dalam pendit (Pendit,

2008) yaitu relevan dan tidak relevan, jadi efektifitas temu kembali informasi

dibedakan menjadi efektif jika nilai di atas 50% dan tidak efektif jika dibawah 50%.


BAB 5

KESIMPULAN DAN SARAN

Bab ini akan membahas tentang kesimpulan dari metode yang telah digunakan

untuk mengidentifikasi kanker kulit melanoma pada bagian 5.1 dan juga saran-

saran untuk pengembangan penelitian berikutnya pada bagian 5.2.

5.1 Kesimpulan

Kesimpulan yang dapat diambil berdasarkan hasil pengujian sistem identifikasi

melanoma dengan menggunakan Convolutional Neural Network adalah sebagai

berikut :

1. Metode Convolutional Neural Network (CNN) mampu melakukan identifikasi

melanoma menggunakan citra dermoscopy dengan baik. Sehingga hasil dari

pengujian sistem memiliki tingkat akurasi 80%.

2. Convolutional Neural Network merupakan metode yang baik digunakan untuk

mengidentifikasi melanoma

5.2 Saran

Adapun saran untuk pengembangan penelitian berikutnya adalah sebagai berikut :

1. Menggunakan citra untuk data pelatihan yang lebih banyak sehingga ketika data

di uji, akan menghasilkan akurasi yang lebih tinggi.

2. Menggunakan metode neural network lainnya untuk dibandingkan dengan hasil

klasifikasi yang diperoleh dari Convolutional Neural Network.


50

DAFTAR PUSTAKA

S. R, M. Suhil, and D. S. Guru. 2015. Segmentation and Classifications of Skin

Lesions for Disease Diagnosis”, International Conference on Advanced

Computing Technologies and Applications (ICACTA-2015), Mysore, 2015,

pp. 76-85.

Tjarta, Achmad. Kanker Kulit di Indonesia, Antisipasi peningkatan pada masa

mendatang,http://www.digilub.ui.ac.id//file?file=digital/files/disk1/207/jkp

tuipp-gdl-publ-1993-achmadtjar-10314-p19931-1.pdf.

Rinaldi Munir, 2004. “Pengolahan Citra Digital dengan Pendekatan Algoritmik”,

Informatika Bandung.

Suartika, I. W. E. P., Wijaya, A. R & Soelaiman, R. 2016. Klasifikasi Citra

Menggunakan Convolutional Neural Network (CNN) pada Caltech 101.

Jurnal Teknik ITS Vol. 5 No. 1.

Imam,S.S., Tri, W.R & Muntasa, A. “Segmentasi Obyek Pada Citra Digital

Menggunakan Metode Otsu Thresholding”, ISSN 1411-0105. Jurnal

Informatika, Vol. 13, No. 1, Mei 2015, 1-8.

Joseph, Supriya. R, Panicker Janu. 2016. Skin Lesion Analysis System for

Melanoma Detection with an Effective Hair Segmentation Method.

International Conference on Information Science (ICIS).

Rizki, D. A. 2017. Klasifikasi Pendarahan Otak Menggunakan Extreme Learning

Machine. Universitas Sumatera Utara, Medan.

Kusumanto,R.D., Alan,N.T., 2011. Pengolahan Citra Digital Untuk Mendeteksi

Obyek Menggunakan Pengolahan Warna Model Normalisasi Rgb. Seminar

Nasional Teknologi Informasi & Komunikasi Terapan, Palembang.

C. H. Mohammed Koya. 2017. Brain Tumor Detection and Classification in MRI

Images. National Conferences on Advanced Computing, Communication

and Electrical Systems (NCACCES).


51

Rohandi, Manda. 2012 . Penerapan Algoritma Image Adjustment Pada Metode

WaFuMos Dalam Penentuan Prosentase Positifitas Antigen Citra

Imunohistokimia Pulasan Cokelat, Gorontalo.

Arifianto, Faris Budi. Implementasi Sistem Inferensi Fuzzy Takagi-Sugeno untuk

Identifikasi Kanker Kulit Melanoma Berbasis Data Vektor. Surabaya:

Institut Teknologi Sepuluh November.

R. M. Haralick, K. Shanmugam, and I. Dinstein, “Textural features for image

classification,” IEEE Trans. Syst., Man Cybern., vol. SNC-3, no. 6, pp. 610–

621, Nov. 1973

Huang, G.-B., Zhu, Q.-Y. and Siew, C.-K. 2006. Extreme learning machine : theory

and applications. Int. J. of Neurocomputing 70(2006): 489-501.

Dermoscopy Tutorial 2003. [Online]. Available: http://www.dermoscopy.

org/atlas/base.html

Rao, P., Pereira, N. A & Srinivasan, R. 2016. Convolutional Neural Networks for

Lung Cancer Screening in Computed Tomography (CT) Scans. 2nd

International Conference on Contemporary Computing Informatics (IC3I).

Saifudin.2014. Sistem identifikasi citra kayu solid berdasarkan tekstur

menggunakan Gray Level Co Occurrence Matrix (GLCM dengan

klasifikasi jarak euclidean. FTI UAD: Yogyakarta


identifikasi kanker kulit melanoma menggunakan

Documents