Identifikasi Kanker Serviks Dari Citra Papsmear Berbasis Kecerdasan Buatan

Winda Dwi Tanti1, Endah Purwanti2, Adri Supardi3

1,2,3 Program Studi S1 Teknobiomedik, Departemen Fisika, Fakultas Sains Dan Teknologi,

Universitas Airlangga, Surabaya

Abstract

The purpose of this research is to identify cervical cancer with shape features and

statistical features extraction using artificial intelligence system. The methods used in this

research are clustering fuzzy c – means and k – means into two groups, cluster 1 and cluster

2, followed by classifications of backpropagation into two classes, normal and abnormal. A

whole data images those used are 130 data abnormal and 65 data normal. Processing image

conducted include image pre-processing to improve the quality of the image, for the next

segmentation nucleus area. As many as 11 features consisted of two types has been extracted

from cervical cell binary images. The results showed from train processing that the

identification of cervical cancer by FCM – backpropagation methods provide better

accuracy than backpropagation methods, with value of accuracy 100% to 97%. Optimal

accuracy of classification system from this research is 84,44% with the parameter value of

neurons number in hidden layer 10 and learning rate 0,2.

Keywords: Single cervical cell images, cervical cancer, pap smear test, fuzzy c – means,

backpropagation

Abstrak

Penelitian ini bertujuan untuk identifikasi kanker serviks dengan ekstraksi fitur bentuk

dan histogram menggunakan sistem kecerdasan buatan. Metode yang digunakan yaitu

pengelompokan fuzzy c – means dan k – means menjadi dua kelompok, cluster 1 dan cluster

2, yang dilanjutkan dengan klasifikasi backpropagation menjadi 2 kelas, normal dan

abnormal. Keseluruhan data citra yang digunakan sebanyak 130 data abnormal dan 65 data

normal. Pengolahan citra yang dilakukan meliputi pengolahan awal sebagai langkah

meningkatkan kualitas citra yang diproses, untuk selanjutnya dilakukan segmentasi area

nukleusnya. Sebanyak 11 fitur yang terdiri atas 2 jenis diekstraksi dari citra biner sel serviks.

Hasil penelitian menunjukkan bahwa identifikasi kanker serviks dengan metode FCM –

bacpropagation memberikan nilai akurasi pelatihan yang lebih baik daripada metode

backpropagation, dengan nilai akurasi 100% banding 97%. Tingkat akurasi optimal sistem

klasifikasi yang dihasilkan dari penelitian ini yaitu 84,44% dengan nilai parameter jumlah

neuron pada hidden layer 10 dan nilai laju pembelajaran 0,2.

Kata kunci: Citra tunggal sel serviks, kanker serviks, tes papsmear, fuzzy c – means,

backpropagation

1. Pendahuluan

Kanker serviks merupakan penyakit yang menyerang organ reproduksi wanita yaitu

serviks atau leher rahim. Tahun 2013, diperoleh data kasus kanker serviks di seluruh dunia

sebanyak 453 ribu (13,1%) yang menjadikan kanker serviks penyebab kematian kedua pada

wanita [1]. Banyaknya kasus kanker serviks dikarenakan tidak dijumpainya gejala – gejala

yang spesifik seperti pada jenis kanker lain. Oleh sebab itu, dibutuhkan prosedur deteksi dini

dengan harapan dapat menekan jumlah penderita dan jumlah kematian karena kanker

serviks.

Salah satu jenis metode yang paling efektif untuk pemeriksaan sel serviks yaitu melalui

tes Papanicolau (Papsmear). Metode ini dilakukan dengan cara mengambil sampel dari sel

serviks pasien. Sampel sel tersebut kemudian dilakukan preparasi dan observasi dengan

bantuan mikroskop. Durasi pemeriksaan yang cukup lama, kurangnya sumber daya ahli

sitologi, kurangnya fasilitas lab, serta resiko terjadinya human error merupakan beberapa

kekurangan pada metode Papsmear [2]. Oleh sebab itu dibutuhkan suatu sistem otomasi

berbasis kecerdasan buatan yang dapat mengklasifikasikan sel serviks menjadi sel normal

atau sel abnormal dengan waktu yang relatif singkat.

Penelitian – penelitian yang memanfaatkan sistem kecerdasan buatan untuk deteksi dini

telah banyak dilakukan oleh peneliti sebelumnya. Jeremiah [3] menggunakan tiga macam

fitur sebagai data masukan klasifikasi tiga jenis metode yang berbeda sehingga

menyebabkan program memberikan respon yang lambat. Erlinda [4] menggunakan 7 fitur

dari sel serviks tunggal sebagai data input dalam sistem klasifikasi Learning Vector

Quantization (LVQ), dimana dihasilkan akurasi sebesar 93,33%. Atta [5] menggunakan tiga

jenis fitur untuk diagnosis penyakit katup jantung, dimana klasifikasi backpropagation

memberikan rata – rata hasil akurasi sebesar 93,75%.

Berdasarkan beberapa penelitian tersebut, maka dilakukan penelitian deteksi dini kanker

serviks dengan upaya meningkatkan hasil akurasi menggunakan sistem kecerdasan buatan.

Program yang dibuat meliputi segmentasi area nukleus, ekstraksi fitur bentuk dan fitur

histogram, dan klasifikasi menggunakan sistem kecerdasan buatan. Sistem kecerdasan

buatan yang digunakan yaitu clustering fuzzy c – means dan k – means menjadi 2 cluster,

dan klasifikasi backpropagation menjadi data normal dan data abnormal.

2. Dasar Teori

2.1 Median Filtering

Median filtering merupakan teknik perbaikan citra yang digunakan untuk mengurangi

adanya noise pada citra. Filter ini sangat efektif untuk menghilangkan noise jenis salt and

peper serta dapat mempertahankan detail citra karena tidak tergantung pada nilai – nilai yang

berbeda dengan nilai – nilai yang umum dalam lingkungannya [6].

2.2 Contrast Stretching

Teknik contrast stretching digunakan untuk memperbaiki kontras citra dengan cara

melebarkan intensitas pixel pada citra masukan, sedemikian sehingga dihasilkan citra dengan

rentang intensitas pixel yang lebih lebar [7].

2.3 Morphological Processing

Tujuan secara umum dari operasi morfologi pada citra biner adalah untuk memperbaiki

bentuk obyek, agar dapat menghasilkan fitur yang lebih akurat saat analisis obyek dilakukan.

Operasi dasar dalam morfologi citra yaitu dilasi dan erosi. Kedua operasi dasar tersebut

menjadi basis untuk membuat berbagai operasi morfologi yang sangat berguna untuk

pengolahan citra digital seperti opening, closing, hit and miss transform, thinning, dan

thickening [8].

2.4 Thresholding

Thresholding merupakan salah satu metode sederhana dari segmentasi citra yang

memiliki tujuan untuk membagi suatu citra menjadi beberapa daerah tertentu. Metode ini

membagi daerah citra berwarna atau grayscale menjadi citra dengan dua nilai tingkat

keabuan, yaitu hitam dan putih [8].

2.5 K – means

Teknik clustering (unsupervised learning) merupakan seni atau teknik mengelompokkan

data (obyek), ke dalam beberapa kluster (kelompok) yang belum diketahui. Penelitian ini

menggunakan dua jenis teknik clustering, diantaranya adalah metode k – means dan fuzzy c-

means. Tujuan dari proses clustering k-means ini adalah untuk meminimalisasikan objective

function yang diset dalam proses clustering. Umumnya nilai objective function berusaha

meminimalkan variasi di dalam suatu kluster dan memaksimalkan variasi antar kluster [9].

Metode k-means akan mencari pusat kluster dan batas – batas kluster melalui proses

perulangan (iterasi). Kedekatan atau kemiripan suatu obyek dengan obyek yang lain atau

dengan pusat kluster dihitung dengan menggunakan fungsi jarak [8]. Fungsi jarak tersebut

dihitung menggunakan persamaan 1.

𝐽𝑗 = ∑ ‖𝑥 − 𝑧𝑗(𝑘 + 1)‖2

, 𝑗 = 1, 2, … , 𝐾𝑥∈𝑆𝑗(𝑘)

Sj(k) menyatakan himpunan sampel, zj(k+1) menyatakan nilai pusat kluster baru dalam

kluster ke – j, sedangkan x menyatakan nilai – nilai pada sampel data. Adapun pusat kluster

baru dihitung menggunakan persamaan 2, dengan 𝑁𝑗 menyatakan jumlah sampel 𝑆𝑗(𝑘)

𝑧𝑗(𝑘 + 1) =1

𝑁𝑗∑ 𝑥

𝑥∈𝑆𝑗(𝑘)

, 𝑗 = 1, 2, … , 𝐾

2.6 Fuzzy C – Means (FCM)

Metode fuzzy c – means memanfaatkan teori fuzzy untuk mengalokasikan data dalam

beberapa kelompok yang sesuai. Logika ini memberikan konsep yang berbeda, yaitu konsep

tingkat kebenaran. Suatu nilai dalam logika fuzzy bisa bernilai benar dan salah secara

bersamaan. Besarnya keberadaan dan kesalahan bergantung pada bobot keanggotaan yang

dimilikinya, yaitu dalam rentang 0 hingga 1 [10].

Fuzzy C-Means memiliki konsep memperbaiki pusat cluster serta derajat keanggotaan

pada tiap – tiap titik secara berulang. Selama proses tersebut pusat cluster akan bergerak

menuju lokasi yang tepat. Perulangan dilakukan berdasarkan pada minimisasi fungsi

obyektif [9]. Nilai fungsi obyektif didapatkan melalui perhitungan dari persamaan 3.

𝐽(𝑈, 𝑉; 𝑋) = ∑ ∑(𝜇𝑖𝑘)𝑤(𝑑𝑖𝑘)2

𝐶

𝑖=1

𝑛

𝑘=1

Dengan 𝑤𝜖[1, ∞],

(1)

(2)

(3)

𝑑𝑖𝑘 = 𝑑(𝑥𝑘 − 𝑣𝑖) = [∑(𝑥𝑘𝑗 − 𝑣𝑖𝑗)

𝑚

𝑗=1

]

1/2

Adapun x adalah data yang dikelompokkan yang berukuran n x m, dengan n = jumlah data

yang akan di cluster; dan m = jumlah variabel, sedangkan v adalah matriks pusat cluster.

2.7 Backpropagation

Backpropagation merupakan salah satu algoritma pembelajaran dalam jaringan saraf

tiruan dan termasuk sistem pembelajaran terawasi (supervised learning). Sistem ini biasanya

menggunakan perceptron dengan banyak lapisan untuk mengubah nilai bobot. Jaringan saraf

tiruan terdiri atas kumpulan node (neuron), dan relasi. Ada tiga tipe lapisan neuron yang

terdapat pada jaringan backpropagation, yaitu lapisan input (x), lapisan tersembunyi (z), dan

lapisan output (y).

Gambar 1. Arsitektur jaringan backpropagation

Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot –

bobotnya dalam arah mundur (backward). Nilai error didapatkan melalui perhitungan pada

tahap perambatan maju (forward propagation).

3. Metode Penelitian

3.1 Data Penelitian

Data citra yang digunakan dalam penelitian merupakan citra digital dari mikroskop

digital dari database yang dibangun oleh Departement of Pathology, Herlev University

Hospital, Denmark. Jumlah citra sel serviks tunggal yang digunakan sebanyak 50 citra sel

normal dan 100 citra sel abnormal untuk pelatihan sistem, serta sebanyak 15 citra sel normal

dan 30 citra sel abnormal untuk pengujian sistem.

1

V12

X1

X2

X3

Z1

Z2

1

y

b11 b12

W1

W2

b2

V11

V21

V22

V31 V32

(4)

3.2 Perancangan Software

Perancangan software secara garis besar terdiri atas beberapa proses pengolahan citra

digital, segmentasi nukleus, ekstraksi fitur bentuk dan statistik, serta klasifikasi data citra

menjadi sel normal dan abnormal.

Gambar 2. Diagram Alir Perancangan Software

Tahapan dalam kotak bergaris putus – putus telah dilakukan pada penelitian sebelumnya

oleh Dewi (2013).

Data citra sel serviks tunggal terlebih dahulu melewati serangkaian proses pengolahan

citra sebelum dilakukan ekstraksi fitur. Penelitian ini mengambil dua nilai fitur, yaitu fitur

bentuk dan fitur histogram dari hasil segmentasi citra nukleus. Nilai – nilai fitur tersebut

yang selanjutnya digunakan sebagai input sistem kecerdasan buatan untuk mengklasifikasi

data menjadi sel normal atau sel abnormal.

3.3 Pengolahan Citra Digital

Citra digital sel serviks tunggal berwarna diubah menjadi citra abu – abu yang memiliki

satu derajat keabuan dengan itensitas 0 – 255. Sebelum disegmentasi, citra digital sel serviks

tunggal diolah menggunakan beberapa jenis teknik olah citra. Pengolahan citra yang

Clustering data citra sel serviks menggunakan

fuzzy c – means dan k - means

Klasifikasi data citra sel serviks menggunakan backpropagation

Data citra terklasifikasi

Data Citra

Sel Serviks Tunggal

Grayscalling

Pengolahan Citra Digital

Ekstraksi Fitur Bentuk

Histogram Citra

Ekstraksi Fitur Histogram

dilakukan antara lain median filtering, contrast stretching, morphologi processing. Teknik

median filtering digunakan untuk menghilangkan noise pada citra grayscale sel serviks.

Selanjutnya citra digital tersebut diperbaiki kontrasnya menggunakan teknik contrast

stretching. Citra hasil contrast stretching kemudian diolah kembali menggunakan

morphological processing, yaitu teknik opening dan closing. Pengolahan ini dilakukan untuk

menghilangkan adanya daerah – daerah kecil berwarna gelap atau terang (small bright or

dark regions) yang dapat mengganggu proses segmentasi.

3.4 Segmentasi Nukleus

Proses segmentasi area nukleus pada citra dilakukan dalam dua tahap yaitu dengan

teknik thresholding dan teknik clearing. Pada teknik thresholding digunakan nilai level

intensitas sebesar 0,2 sebagai nilai ambang, agar area nukleus dapat disegmentasi secara

utuh. Hasil segmentasi kemudian diproses kembali menggunakan teknik clearing. Tahap ini

dilakukan untuk menghilangkan daerah selain area nukleus yang ikut tersegmentasi. Hasil

segmentasi merupakan citra biner nukleus sel serviks.

3.5 Ekstraksi Fitur

Sebanyak 11 jenis fitur digunakan dalam penelitian ini, yang terdiri atas fitur bentuk dan

fitur statistik. Fitur bentuk diekstraksi dari citra hasil segmentasi, sedangkan fitur histogram

diekstraksi dari hasil histogram citra. Berikut ini beberapa fitur yang digunakan:

1. Fitur bentuk [8]

a. Area nukleus: nilai skalar dari jumlah keseluruhan pixel di wilayah nukleus.

b. Perimeter nukleus: nilai skalar dari jumlah keseluruhan pixel pada batas (outline)

dari bentuk nukleus.

c. Faktor bentuk nukleus: nilai skalar yang didefinisikan dalam persamaan 5.

𝑆ℎ𝑎𝑝𝑒𝑁𝑢𝑘𝑙𝑒𝑢𝑠 =𝑃𝑒𝑟𝑖𝑚𝑒𝑡𝑒𝑟𝑁𝑢𝑘𝑙𝑒𝑢𝑠2

𝐴𝑟𝑒𝑎𝑁𝑢𝑘𝑙𝑒𝑢𝑠

d. Faktor kebundaran nukleus: nilai skalar yang didefinisikan dalam persamaan 6.

𝑅𝑜𝑢𝑛𝑑𝑁𝑢𝑘𝑙𝑒𝑢𝑠 = 4 𝑥𝜋𝑥𝐴𝑟𝑒𝑎𝑁𝑢𝑘𝑙𝑒𝑢𝑠

𝑃𝑒𝑟𝑖𝑚𝑒𝑡𝑒𝑟𝑁𝑢𝑘𝑙𝑒𝑢𝑠2

2. Fitur histogram [11]

a. Mean: nilai skalar yang menggambarkan rerata nilai pixel pada masing – masing

intensitas warna citra.

b. Standard deviation: nilai skalar yang menggambarkan penyebaran intensitas pada

citra, serta sebagai indikator kontras pada citra.

(5)

(6)

c. Entropy: nilai skalar yang menggambarkan kehalusan (smoothness) dari citra

dalam hal distribusi derajat keabuannya.

d. Means square: nilai skalar yang didefinisikan dalam persamaan 7.

𝑚2 = ∑ 𝑥2𝑝(𝑥)

𝐿

𝑥=0

e. Variansi: nilai skalar yang didefinisikan dalam persamaan 8.

𝜇2 = ∑(𝑥 − 𝑚1)2𝑝(𝑥)

𝐿

𝑥=0

f. Skewness: nilai skalar yang menunjukkan derajat ketidaksimetrisan kurva

histogram terkait distribusi intensitas dalam suatu citra.

g. Kurtosis: nilai skalar yang menunjukkan tingkat keruncingan relatif kurva

histogram citra terkait distribusi intensitas dalam suatu citra.

3.6 Clustering Data Menggunakan Fuzzy C – Means dan K – Means

Nilai skalar hasil ekstraksi fitur selanjutnya digunakan untuk input sistem clustering

fuzzy c – means dan k – means. Metode ini digunakan untuk mengelompokkan data masukan

sesuai dengan kesamaan ciri. Data input akan dikelompokkan menjadi dua kelompok, yaitu

cluster 1 dan cluster 2.

Proses clustering menggunakan data pelatihan sebanyak 150, yang terdiri atas 100 data

sel abnormal dan 50 data sel normal. Data tersebut diolah terlebih dahulu menggunakan

proses oleh citra, segmentasi nukleus, dan dilanjutkan dengan ekstraksi fitur. Nilai – nilai

fitur tersebut dibagi menjadi 10 komposisi fitur yang berbeda. Masing – masing komposisi

selanjutnya digunakan sebagai input clustering fuzzy c – means dan k – means. Hasil dari

proses clustering ini yaitu salah satu set fitur dengan hasil terbaik. Dipilih juga metode

clustering yang memberikan hasil terbaik diantara keduanya. Hasil tersebut selanjutnya

digunakan sebagai data masukan pada tahap klasifikasi backpropagation.

3.7 Klasifikasi Data Menggunakan Sistem Jaringan Backpropagation

Hasil clustering yang telah diseleksi akan menjadi input untuk sistem jaringan saraf

tiruan. Implementasi dalam klasifikasi data ini terdiri atas dua tahap yaitu pelatihan dan

pengujian. Tahap pelatihan menggunakan data hasil clustering sebanyak 90, yang terdiri atas

16 data pada cluster 1 dan 74 pada cluster 2. Adapun parameter yang digunakan dalam

pelatihan yaitu maksimum iterasi, laju pembelajaran (learning rate), dan jumlah neuron pada

(7)

(8)

hidden layer. Parameter nilai eror yang digunakan sebagai kriteria penghentian iterasi pada

penelitian ini sebesar 10-5. Nilai parameter dan bobot akhir yang menghasilkan akurasi

terbaik digunakan untuk proses pengujian.

Tahap pengujian menggunakan data uji sebanyak 45, yang terdiri atas 30 data sel

abnormal dan 15 data sel abnormal. Dalam proses ini digunakan nilai parameter dan bobot

akhir yang menghasilkan akurasi terbaik dari tahap pelatihan.

4. Hasil Dan Pembahasan

4.1 Segmentasi Nukleus

Gambar 3. Serangkaian proses pengolahan citra hingga segmentasi nukleus (a) citra

RGB (b) citra grayscale (c) citra hasil median filtering (d) citra hasil contrast stretching

(e) citra hasil opening (f) citra hasil closing (g) citra hasil thresholding (h) citra hasil

clearing

(Keterangan: obyek di dalam kotak merah merupakan obyek selain area nukleus yang

dihilangkan)

Keseluruhan data sel serviks tunggal melalui proses segmentasi nukleus dan

beberapa tahapan pengolahan citra. Beberapa tahapan tersebut yaitu grayscalling,

median filtering, contrast stretching, dan metode morphological processing yang terdiri

atas teknik opening dan teknik closing.

Citra sel serviks tunggal selanjutnya disegmentasi area nukleusnya menggunakan

teknik thresholding. Proses segmentasi pada penelitian ini menggunakan nilai level

thresholding pada masing – masing citra sebesar 0,2 (rentang 0 – 1). Nilai ini didapatkan

berdasarkan analisis histogram yang dilakukan pada sampel citra sel serviks. Obyek

selain area nukleus yang terdapat pada citra hasil segmentasi selanjutnya dihilangkan

menggunakan teknik clearing.

(e) (f) (g) (h)

(a) (b) (c) (d)

4.2 Ekstraksi Fitur Citra

Hasil ekstraksi fitur ditampilkan dalam bentuk plot yang disajikan pada gambar 4.

0100020003000400050006000700080009000

0 10 20 30 40 50 60 70 80 90 100110120130 140150

Nila

i Fit

ur

Data Train ke-

Area Nukleus

Abnormal Normal

050

100150200250300350

0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150

Nila

i Fit

ur

Data Train ke-

Perimeter Nukleus

Abnormal Normal

0

5

10

15

20

0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150

Nia

li Fi

tur

Data Train ke-

Faktor Bentuk Nukleus

Abnormal Normal

0

0.5

1

1.5

0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150N

ilai F

itu

r

Data Train ke-

Kebundaran Nukleus

Abnormal Normal

0

50

100

150

200

250

0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150

Nila

i Fit

ur

Data Train ke-

Mean

Abnormal Normal

010203040506070

0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150

Nila

i Fit

ur

Data Train ke-

Standard Deviation

Abnormal Normal

4.5

6.0

7.5

9.0

0 50 100 150

Nila

i Fit

ur

Data Train ke-

Entropy

Abnormal Normal

0

20

40

60

80

0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150

Nila

i Fit

ur

Data Train ke-

Standard Deviation

Abnormal Normal

0.00E+005.00E+061.00E+071.50E+072.00E+072.50E+073.00E+07

0 50 100 150

Nila

i Fir

ur

Data Train ke-

Kurtosis

Abnormal Normal

-200000

-100000

0

100000

200000

0 10 20 30 40 50 60 70 80 90 100110120130140150

Nila

i Fit

ur

Data Train ke-

Skewness

Abnormal Normal

4.3 Clustering Data K-means dan Fuzzy c-means (FCM)

Clustering k – means dan fuzzy c – means dilakukan dengan mengelompokkan nilai

dari 10 macam komposisi fitur yang telah dibuat. Data input merupakan data latih, yaitu

sebanyak 100 data sel abnormal dan 50 sel data normal. Komposisi 8 fitur yaitu area,

perimeter, shape factor, roundness, mean, standard deviation, entropy, dan variansi

memberikan hasil perbandingan yang terbaik diantara kesepuluh komposisi fitur.

Clustering metode fuzzy c – means memberikan hasil dengan tingkat kecocokan yang

lebih baik, dimana c1 sebanyak 16 dan c2 sebanyak 74. Metode k – means menghasilkan

perbandingan tingkat kecocokan sebesar 22 untuk c1 dan 41 untuk c2. Data hasil

clustering terbaik selanjutnya digunakan sebagai data masukan pada sistem pelatihan

backpropagation.

4.4 Hasil Pelatihan Backpropagation

Terdapat beberapa parameter yang digunakan dalam proses pelatihan, yaitu

maksimum iterasi, laju pembelajaran (learning rate), dan jumlah neuron pada hidden

layer. Selain itu digunakan kriteria penghentian iterasi yaitu nilai eror sebesar 10-5.

Bobot akhir pelatihan yang menghasilkan akurasi terbaik selanjutnya digunakan untuk

tahap pengujian. Dalam penelitian ini akurasi terbaik dihasilkan dari jumlah neuron

hidden layer sebanyak 10, nilai laju pembelajaran 0,2, dan maksimal epoh 300.

Tabel 1. Nilai akurasi hasil training (kriteria berhenti maksimum epoh)

Max epoh Jumlah Neuron Hidden

Layer

Laju

Pembelajaran Akurasi

100 10 0,2 80%

200 10 0,2 82%

300 10 0,2 100%

4.5 Hasil Pengujian Backpropagation

5000100001500020000250003000035000400004500050000

0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150

Nila

i Fit

ur

Data Train ke-

Means Square

Abnormal Normal

Tahap pengujian dilakukan pada data uji sebanyak 45, yang terdiri atas 30 data sel

abnormal dan 15 data sel normal. Set data selanjutnya diujikan menggunakan nilai bobot

akhir dari proses pelatihan. Akurasi yang dihasilkan dari proses pengujian sebesar 84,44,

dengan jumlah 38 data yang sesuai dan 7 data yang tidak sesuai dengan hasil diagnosis

ahli. Ketidaksesuaian beberapa data dengan target klasifikasi (hasil klasifikasi dari ahli

sitologi atau dokter) ditampilkan pada Gambar 5.

Gambar 5. Grafik perbandingan target dan output pengujian backpropagation

(Keterangan: kotak merah menunjukan ketidaksesuaian antara target dan output )

Gambar 5 memberikan informasi sejumlah 38 data sesuai dengan target, sedangkan 7

data yaitu data ke 9, 10, 11, 12, 13, 14, dan 33 tidak sesuai dengan target hasil diagnosis

ahli. Kesalahan klasifikasi yang terjadi pada kedua data tersebut diduga karena kesalahan

interpretasi data. Citra tersebut masih berada pada awal transformasi dari sel normal

menjadi sel abnormal, sehingga nilai fitur area dan perimeter dari kedua sel berada pada

rentang nilai sel normal. Area sitoplasma pada citra sel serviks memiliki perbedaan yang

signifikan antara sel normal dan sel abnormal. Area sitoplasma didapatkan melalui

teknik segmentasi dengan nilai threshold lebih dari satu, karena area tersebut sulit di-

threshold dari area background. Langkah tersebut dapat dilakukan menggunakan teknik

pengolahan citra lain, seperti deteksi kontur atau adaptive tresholding dengan nilai

threshold lebih dari satu. Teknik ini dapat menghasilkan citra hasil segmentasi akan

mengikuti kondisi citra. Teknik segmentasi lain juga diharapkan dapat mengatasi

masalah pada area nukleus yang tidak tersegmentasi secara utuh, ataupun area bukan

nukleus yang ikut tersegmentasi.

Penyempurnaan program ini dapat dilakukan dengan langkah memilih fitur, dan

menambah data latih. Pemilihan fitur yang dapat mewakili ciri masing – masing data

dapat meningkatkan hasil akurasi. Fitur – fitur tersebut digunakan untuk memaksimalkan

persamaan ciri antara anggota dalam satu kelompok, dan meminimumkan kemiripan

antara satu kelompok dan kelompok yang lainnya.

0

1

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45

Targ

et/

Ou

tpu

t B

ackp

rop

agat

ion

Data ke -

Series1

Series2

5. Kesimpulan

Berdasarkan hasil penelitian ini, dapat disimpulkan bahwa:

1. Fitur citra sel serviks yang digunakan sebagai input identifikasi pada penelitian ini

terdiri atas fitur bentuk dan histogram. Fitur bentuk meliputi area, perimeter

(keliling), faktor bentuk, dan kebundaran, serta fitur statistik histogram meliputi

mean, standard deviation, entropy, dan variansi.

2. Metode backpropagation menghasilkan tingkat kecocokan sebanyak 38 data, dari

data pengujian sebanyak 45.

3. Tingkat akurasi optimal yang dihasilkan melalui proses pengujian sistem jaringan

saraf tiruan backpropagation sebesar 84,44% dengan nilai parameter jumlah neuron

pada hidden layer 10 dan nilai laju pembelajaran 0,2.

4. Hasil penelitian yang didapatkan memiliki nilai akurasi yang lebih rendah

dibandingkan dengan penelitian yang telah dilakukan oleh Dewi pada tahun 2013,

sebesar 93,33%.

Daftar Pustaka

[1] American Cancer Society, 2013, Guide: Cervical Cancer,

http://www.cancer.org/docroot/CRI/content.html,

21 November 2013.

[2] Rosidi, B., Jalil, N., Pista, N.M., Ismail, L.H., Supriyanto, E., Mengko, T.L, 2011,

Classification of Cervical Cells Based on Labeled

Colour Intensitiy Distribution, International Journal

of Biology and Biomedical Engineering.

[3] Suryatenggara, Jeremiah, 2009, Cervix Cancer Detection Based On Pattern Recognition

In Cervical Cytological Slide Images, Fakultas Life

Science, Program Studi Biomedical Engineering,

Swiss Germany University (SGU).

[4] Dewi, E.M, 2013, Ekstraksi Fitur dan Klasifikasi Sel Serviks dengan Metode Learning

Vector Quantization (LVQ) Untuk Deteksi Dini

Kanker Serviks, Program Studi S1 Teknobiomedik,

Fakultas Sains dan Teknologi, Universitas

Airlangga.

[5] Elalfi, Atta., Eisa, Mohamed., Ahmed, Hosnia, 2013, Artificial Neural Networks in

Medical Images for Diagnosis Heart Valve

Diseases, International Journal of Computer

Science Issues, Vol. 10, Issue 5, No 1, Egypt.

[6] FF, Setiawan, 2010, Filter Bandpass dan Bandstop Untuk Menurunkan Noise Pada Citra

Menggunakan Delphi 7.0, Program Studi

Matematika Ekstensi, Jurusan Matematika Fakultas

Matematika dan Ilmu Pengetahuan Alam,

Universitas Diponegoro Semarang.

[7] Solomon, C., Breckon, T, 2011, Fundamental of Digital Image Processing: A Practical

Approach with Examples in Matlab, John Willey &

Sons, Ltd, United Kingdom.

[8] Putra, Darma, 2009, Pengolahan Citra Digital, Penerbit Andi, Yogyakarta.

[9] Luthfi, E.T, 2007, Fuzzy C – Means Untuk Clustering Data (Studi Kasus: Data

Performance Mengajar Dosen), Yogyakarta.

[10] Nasution, Helfi, 2012, Implementasi Logika Fuzzy pada Sistem Kecerdasan Buatan,

Program Studi Teknik Informatika, Jurusan Teknik

Elektro, Fakultas Teknik, Universitas Tanjungpura.

[11] Gonzalez, R.C.,Woods, Richard E, 2002, Digital Image Processing, Pearson Education,

Inc, New Jersey.

Disetujui oleh:

Pembimbing I,

Drs. Adri Supardi, M. Sc

NIP. 195603031986011002

Pembimbing II,

Endah Purwanti, S. Si., M. T

NIP. 1977103120091220003