BAB 2 LANDAS AN TEORI
2.1KecerdasanBuatan 2.1.1 Sejarah
Padaawalabad
17,
René
Descartesmengemukakanbahwatubuhhewandapatdiaplikasikanpadamesin.Blai se
Pascalmenciptakanmesinpenghitung
1642.Pada
19,
digital
mekanispertamapada
Charles
BabbagedanAda
Lovelacemembuatmesinpenghitungmekanis yang dapatdiprogram.
Bertrand RusselldanAlfred North WhiteheadmenerbitkanPrincipia M athematica, yang merombaklogika formal.Warren M cCullochdanWalter Pittsmenerbitkan "Gagasankalkuluslogis yang terdapatpadaAktivitas" pada 1943 yang meletakkanpondasiuntukkecerdasanbuatan.
Tahun 1950-an adalahperiodeusahaaktifdalam AI. Program AI pertama yang bekerjaditulispada 1951 untukmenjalankanmesinFerranti M ark I di University of M anchester (UK): sebuah program permainannaskah yang ditulisolehChristopher
Stracheydan
program
permainancatur
yang
ditulisolehDietrich Prinz. John M cCarthy membuatistilah "kecerdasanbuatan" padakonferensipertama yang disediak an untukpokokpersoalanini,
10
11
pada
1956.
DiajugamenemukanbahasapemrogramanLISP.Alan
TuringmemperkenalkanTuring testsebagaisebuahcarauntukmengoperasikantesperilakucerdas. WeizenbaummembangunELIZA,
Joseph
sebuahchatterbot
yang
menerapkanpsikoterapiRogerian.
Selamatahun
1960-andan
1970-an,
Joel
M osesmendemonstrasikankekuatanpertimbangansimbolisuntukmengintegrasi kanmasalah di dalam program M acsyma, program berbasispengetahuan yang suksespertama kali dalambidangmatematika. M arvin M inskydanSeymour PapertmenerbitkanPerceptrons,
yang
mendemostrasikanbatasjaringansyarafsederhanadanAlain ColmerauermengembangkanbahasakomputerProlog.
Ted
Shortliffemendemonstrasikankekuatansistemberbasisaturanuntukrepresentasip engetahuandaninferensidalamdiagnosadanterapimedis
yang
kadangkaladisebutsebagaisistempakarpertama.Hans M oravecmengembangkankendaraanterkendalikomputerpertamauntukmengata sijalanberintang yang kusutsecaramandiri.
Padatahun
1980-an,
jaringansyarafdigunakansecarameluasdenganalgoritmaperambatanbalik, pertama kali diterangkanolehPaul John Werbospada 1974.Tahun 1990anditandaiperolehanbesardalamberbagaibidang dandemonstrasiberbagaimacamaplikasi.
AI LebihkhususDeep
Blue,
12
sebuahkomputerpermainancatur,
yang
Kasparovdalamsebuahpertandingan (Defense
Advanced
6
mengalahkanGarry
babakpadatahun
Research
Projects
1997.
DARPA
Agency)
yang
mengaturbertanggungjawabterhadappenggunaanteknologipadamilitermenyata kanbahwabiaya
yang
disimpanmelaluipenerapanmetode
AI
untukpenjadwalanpadaPerangTelukpertama.
TantanganHebat danberlanjuthinggahariini,
DARPA,
yang
dimulaipada
adalahsebuahlombauntukhadiahsebesar
Dollar
2004 2
juta AS
untukpembuatteknologidimanakendaraandapatberjalansendiritanpakomunikas idenganmanusia, canggih,
menggunakanGPS,
melintasibeberaparatus
mil
komputerdansusunansensor daerahgurun
yang
yang
menantang.
2.1.2 Definisi Kecerdasansemu (artificial intelligent/intelligent system) didefinisikan sebagai kecerdasan entitas ilmiah. Sistem seperti ini umumnya terdapat di dalam komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan antara lain: − Sistem pakar − Permainan komputer (games)
13
− Citra komputer (computer vision) − Logikasamar (fuzzy logic) − Jaringan syaraf tiruan (artificial neural network) − Robotika, dll 2.2 Computer Vision 2.2.1 Definisi Computer Vision merupakan bidang yang mencakup pengolahan otomatis gambar yang diekstrak dan menginterpretasikan informasi secara real time yang berguna untuk memecahkan masalah. Computer Vision merupakan cabang dariilmu Kecerdasan Semu/Buatan yang memungkinkan komputer untuk mengekstrak informasi dari sebuah gambar. Contoh-contoh aplikasi yang berjalan menggunakan Computer Vision antara lain: • Proses Kontrol (contoh : kontrol robot) • Navigasi (contoh : kendaraan otomatis) • Deteksi keadaan (contoh : penghitung orang dan visual surveillance) • Organisasi Informasi (contoh : pengindex pada gambar) • Objek M odelling dan Lingkungan (contoh : analisa pada gambar medical dan modeling topografi) • Interaksi (contoh: media penunjuk untuk interaksi antara manusia dengan komputer) • Inspeksi Otomatis (contoh : aplikasi manufaktur) Adapun proses-proses yang melandasi proses kerja Computer Vision antara lain:
14
Gambar 2.1 proses kerja
• Akuisisi Citra Gambar digital akan diproduksi terlebih dahulu tergantung kebutuhan sistem • Pra-Proses (pre-processing) Sebelum metode Computer Vision dilaksanakan pada data gambar untuk diekstrak informasinya. Biasanya dibutuhkan beberapa proses untuk memastikan data tersebut akurat dan memenuhi kriteria. maka akandilakukan:
Re-sampling
15 untukmemastikangambarmemilikikoordinasi yang tepat, Noise Reduction untukmemastikantidakadanya
noise-noise
16 yangdapatmengakibatkankesalahaninformasi.
Contrast
untukmemastikangambardapatmenampilkaninformasi
Enhancement yang
relevan.
Scale-Space untukmerepresentasikangambar yang memilikiskala yang sesuai. • EkstraksiFitur Setiapgambarmemilikifitur-fiturunik
yang
membedakangambartersebutdengangambarlainnya.M eliputi: garis, sisi, bubung,
sudut,
gumpal,
dantitik.
Padafitur
yang
lebihkompleksdapatmeliputitekstur, bentuk, dangerakan. Ekstraksi fitur mengambil semua fitur-fitur unik yang ada pada gambar. • Decision M embuat keputusan akhir yang dibutuhkan oleh aplikasi. Contoh: 1) Lulus atau gagal pada aplikasi inspeksi otomatis. 2) Cocok atau tidak cocok pada aplikasi Recognition. 3) Ditandai (Flag) untuk diperiksa lebih lanjut oleh manusia biasanya pada kedokteran, militer, keamanan, dan aplikasi Recognition. Selainitu, adapula proses-proses lain yang dapatdilakukanpada proses kerja Computer Vision yaitu: • DeteksidanSegmentasi Padabeberapakasuspemprosesan, keputusandibuatberdasarkantitikpadagambardandaerahpadagambar yang relevan yang kemudianakandiproseslebihlanjut. • Proses High-Level
17 Pada bagian ini, biasanya berisi set data yang kecil. M isalnya satu set poin atau wilayah gambar yang diasumsikan berisi objek. Lalu proses diikuti dengan: 1) Verifikasi data agar memenuhi asumsi yang model-based dan aplikasi. 2) Estimasi parameter aplikasi yang terdapat pada objek. 3) Image Recognition: mengklasifikasikan objek yang terdeteksi ke berbagai kategori. 4) Image Registration : menggabungkan dan membandingkan pandangan yang ada pada objek yang sama. 2.2.2 Pre-processing Seperti yang telah dijabarkan di atas, pra-proses diperlukan agar datadata (gambar) yang diinput akan memenuhi kriteria yang dibutuhkan. Banyak sekali metode pra-proses yang ada pada computer vision. Salah satu contoh metode pra-proses yang cukup baik untuk analisis tekstur mammogram adalah : Wavelet Transform dan NSCT (Non Subsampled Contourlet Transform). • WaveletTransform ialah salah satu metode pra-proses dimana diawali dengan penggunaan operasi integral wavelet pada gambar yang akan menghasilkan koefisien-koefisien pixel pada gambar yang dilanjutkan dengan kuantisasidancoding. • NSCT merupakan salah satu metode pra-proses. NSCT menyempurnakan teori gaussian dalam langkah-langkahnya. Langkah-langkah yang ada pada NSCT
adalah
:
menentukan
parameter
transform,
18 melakukanoperasidekomposisi,
menentukanjumlahdirection
yang
digunakan, dandilanjutkandengan proses threshold dan edge detect. 2.2.3 Analisis Tekstur Analisa tekstur merupakan salah satu cabang dari Computer Vision dimana komputer menganalisa tekstur yang terdapat pada gambar/objek yang kemudian akan dilakukan proses lebih lanjut tergantung kebutuhan. Tujuan utama dari analisa tekstur pada Computer Vision adalah untuk mengekstrak semua informasi yang tersedia pada gambar yang akhirnya akan mensimulasikan penglihatan manusia kedalam proses komputer. 2.2.4Feature Extraction Seperti yang telah disinggung di atas, ekstraksi fitur (Feature Extraction) mengambil fitur-fitur unik pada gambar yang menjadi penentu dalam klasifikasi dan penentuan kelas dari gambar yang dimasukkan. M etode-metode ekstraksi fitur sangatlah banyak. Salah satunya adalah FOS (First Order Statistic), GLCM s (Gray Level Co-occurences Matrices Features), GLRLM (Gray Level Run Length Matrices Features), dan LTEM (Law’s Texture Energy Measure) yang memiliki kelebihan dan kekurangan masing-masing 1. FOS (First Order Statistic), metode dimana dilakukan perhitungan statistik dari nilai terkecil pada gambar
19 2. GLCMs (Gray Level Co-occurences Matrices Features), merupakan distribusi nilai-nilai yang muncul pada gambar dan dihitung berdasarkan nilai offset pada gambar. 3. GLRLM (Gray Level Run Length Matrices Features), metode dimana dari nilai-nilai grey yang paling sering dan tidak sering muncul pada gambar. 4. LTEM (Law’s Texture Energy Measure), metode penggunaan matriks konvolusi 3 dimensi atau 5 dimensi yang kemudian diaplikasikan pada gambar dilanjutkan dengan metode normalisasi. Proses ekstraksi fitur akan meng-ekstraksi fitur-fitur yang ada pada gambar setelah melewati salah satu metode di atas. Fitur-fitur yang diekstraksi bisa berupa skewness, mean, standard deviation, dan lain-lain. Fitur-fitur tersebut lah yang kemudian akan diuji pada klas ifikasi dan akan menentukan keakuratan dari keputusan.
2.2.5 Klasifikasi
Klasifikasiataupengenalanpolamerupakanbidangdalampembelajaranm esindandapatdiartikansebagai
"tindakanmengambil
mentahdanbertindakberdasarkanklasifikasi
data
data".Dengandemikian,
iamerupakanhimpunankaidahbagipelatihan (training) Ada beberapadefinisi lain tentangpengenalanpola, di antaranya: •
Penentuansuatuobjekfisikataukejadiankedalamsalahsatuataubeberapakateg ori.
20 •
Ilmupengetahuan
yang
menitikberatkanpadadeskripsidanklasifikasi
(pengenalan) darisuatupengukuran. •
Suatupengenalansecaraotomatissuatubentuk,
sifat,
keadaan,
kondisi,
susunantanpakeikutsertaanmanusiasecaraaktifdalam proses pemutusan.
Berdasarbeberapadefinisi
di
pengenalanpolabisadidefinisikansebagaicabangkecerdasan
atas, yang
menitik-
beratkanpadametodepengklasifikasianobjekkedalamkelaskelastertentuuntukmenyelesaikanmasalahtertentu.
Tujuan utama dari klasifikasi adalah melakukan segmentasi dari gambar yang kemudian akan diproses. Pada skripsi ini, klasifikasi memegang peranan penting karena klasifikasi-lah yang akan menentukan keputusan akhir dari suatusistemcerdasanalisistekstur. Beberapa contoh klasifikasi : • KNN (K Nearest Neighbour) KNN merupakan klasifikasi dan penarikan kesimpulan dari data pelatihan yang telah dilakukan. KNN menggunakan nilai K yaitu nilai yang menghitung kumpulan-kumpulan data terdekat. Nilai K besar akan mengurangi efek noise pada klasifikasi tapi membuat batasan pada data menjadi kabur. Biasanya nilai K yang digunakan berupa ganjil tergantung juga dengan kebutuhan pembuat dan jumlah kelas yang ada pada klasifikasi. • ANN (Artificial Neural Network)
21 Artificial Neural Network atau Jaringan Saraf Tiruan adalah jaringan dari sekelompok unit proses kecil yang dimodelkan seperti jaringan saraf pada manusia. secara sederhana, Jaringan saraf tiruan memodelkan data statistik non-linear yang digunakan untuk menggambarkan hubungan kompleks antara input dan output untuk menghasilkan suatu keputusan.
2.3 Kanker Payudara 2.3.1 Definisi Kanker adalah kondisi dimana sel telah kehilangan fungsi kendali dan mekanisme normal sehingga akan mengalami pertumbuhan cepat dan tidak normal. kanker payudara (carcinoma mammae) didefinisikan oleh World Health Organization (WHO) sebagai penyakit neoplasma ganas yang berasal dari jaringan payudara. Kanker payudara merupakan penyakit pada manusia dan mamalia pada umumnya. Biasanya kanker payudara menjangkit wanita tetapi pria juga dapat terjangkit penyakit ini. Sel-sel kanker terbentuk dari sel normal yang telah melewati prosesproses rumit yang biasa disebut dengan transformasi yang terdiri dari 2 tahap yaitu tahap inisiasi dan tahap promosi. Pada tahap inisiasi, terjadi perubahan sel yang dipengaruhi oleh bahan genetik sel yang memancing sel menjadi ganas. Perubahan ini biasa disebabkan oleh karsinogen yang bisa berupa kimia, sinar matahari, radiasi, atau virus. Tidak semua sel memiliki kepekaan yang sama terhadap
22 karsinogen. Kelainan genetik, faktor keturunan, dan bahkan gangguan fisik juga bisa menyebabkan sel menjadi rentan terhadap karsinogen. Pada tahap promosi, sel yang telah melewati tahap inisiasi akan berubah menjadi ganas. Diperlukan gabungan sel-sel ganas untuk memasuki tahap ini. Ukuran, tahapan, tingkatan pertumbuhan, dan karakteristik lainnya menentukan metode perawatan yang dibutuhkan untuk menyembuhkan kanker payudara. Perawatan yang mungkin dilakukan antara lain operasi, pengobatan (terapi hormon dan kemoterapi), radiasi, dan imunoterapi. Biasanya operasi pengangkatan kanker payudara merupakan cara yang terbaik. Operasi sendiri diklam dapat menyembuhkan banyak kasus kanker payudara. Terkadang operasi diikuti dengan kemoterapi sebagai tambahan yang bertujuan untuk membunuh sel-sel yang membelah dengan cepat pada tubuh yang diikuti dengan rambut rontok dan kesulitan pencernaan untuk jangka waktu tertentu.
2.3.2 Fakta kanker payudara Kanker payudara diklaim memiliki persentase 22.9% dari penyakit kanker yang menjangkit wanita (tidak termasuk non-melanoma kanker kulit). Pada tahun 2008, kanker payudara menyebabkan kematian pada 458.503 wanita diseluruh dunia (13.7% kematian akibat kanker pada wanita). breastcancer.org mengklaim pada tahun 2011 terjadi sekitar 230.480 kasus baru kanker payudara ganas yang menjangkit wanita di amerika dan
23 sekitar 57.650 kasus baru kanker payudara yang belum termasuk ganas di amerika. Di amerika juga, pada tahun 2011 sekitar 39.520 wanita meninggal karena kanker payudara walaupun angka kematian tersebut terus menurun sejak tahun 1990. Penurunan tersebut dikarenakan sistem pengobatan yang sudah
maju,
deteksi awal,
dan
penyuluhan
untuk
meningkatkan
kewaspadaan. Kanker payudara dapat menjangkit tidak hanya wanita namun juga pada laki-laki. Laki-laki memiliki persentase yang rendah untuk terjangkit penyakit ini. Amerika telah membuat organisasi kanker payudara. Di indonesia sendiri, sudah ada yayasan kanker payudara yaitu Yayasan Kesehatan Payudara Jakarta (YKPJ) yang dinaungi oleh Yayasan Kanker Indonesia (YKI). YKI memiliki moto bahwa kanker dapat disembuhkan jika dideteksi dari dini. 2.3.3 Gejala kanker payudara Berikut adalah gejala tanda kanker payudara: • Benjolan pada payudara anda berubah bentuk / ukuran. • Kulit payudara berubah warna: dari merah muda menjadi coklat hingga seperti kulit jeruk. • Puting susu masuk ke dalam (retraksi). • Salah satu puting susu tiba-tiba lepas / hilang. • Bila tumor sudah besar, muncul rasa sakit yang hilang-timbul. • Kulit payudara terasa seperti terbakar
24 • Payudara mengeluarkan darah atau cairan yang lain, padahal sedang tidak menyusui.
Gambar 2.2 gejala pada payudara
Tanda kanker payudara yang paling jelas adalah adanya borok (ulkus) pada payudara. Seiring dengan berjalannya waktu, borok ini akan menjadi semakin besar dan mendalam sehingga dapat menghancurkan seluruh payudara. Gejala lainnya adalah payudara sering berbau busuk dan mudah berdarah.
25 2.4 Mammografi 2.4.1 Definisi M ammografi adalah proses penggunaan sinar x lemah untuk memeriksa payudara manusia yang akan digunakan untuk diagnosa. Tujuan utama dari mammografi adalah untuk deteksi awal terjangkit atau tidaknya kanker payudara. Saat ini, mammografi merupakan cara terbaik untuk deteksi awal kanker payudara. M ammografi memiliki rasio false-negative sekitar 10% dimungkinkan karena adanya jaringan tebal yang menyelimuti payudara dan perbedaan jaringan yang terdapat pada mammogram dibandingkan dengan keadaan aslinya. M ammogram dianggap memiliki tingkat keakuratan 85%90%. Foto hasi mammografi disebut dengan mammogram yang akan dijelaskan di bagian-bagian berikut. Bahkan pada tanggal 1 maret 2010, hampir 62% fasilitas di Amerika memiliki 1 unit FFDM . Untuk meningkatkan penggunaan mammogram untuk mendeteksi penyakit kanker payudara, beberapa rumah sakit, organisasi kanker, dan yayasan kesehatan lain menyediakan van khusus untuk memobilisasi mammogram dengan tujuan agar lebih terjangkau dan lebih mudah
diakses
oleh
khalayak.
M ereka juga menyediakan
layanan
mammogram yang murah bahkan gratis disertai konsultasi dokter untuk mereka yang ingin melakukan pengecekan payudara dengan menggunakan mammografi.
26 2.4.2 Prosedur mammografi Saat proser mammografi, payudara dikompres menggunakan mesin mammogram. Pelat sejajar mengkompres payudara untuk memastikan jaringan payudara tidak terlalu tebal untuk meningkatkan kualitas pada gambar, agar sinar x-ray tidak kesulitan untuk menembus jaringan payudara yang tebal, mengurangi pemencaran sinar radiasi, mengurangi dosis radiasi, dan menahan payudara tidak tergoyang agar gambar yang dihasilkan tidak blur/kabur.
Gambar 2.3 Proses M ammografi Pada beberapa tahun yang lalu, hasil scan mammografi disimpan dalam bentuk kaset. Tetapi sekarang ini, mammografi telah disimpan dalam bentuk digital yang disebut dengan digital mammografi atau Full Field Digital M ammografi (FFDM ). FFDM pertama kali diresmikan oleh FDA di Amerika
27 pada tahun 2000. Keuntungan dari FFDM adalah untuk meningkatkan permintaan resolusi yang lebih besar pada mammogram dan FDA juga mengklaim bahwa digital mammogram lebih memiliki hasil yang lebih baik ketimbang mammografi lawas. Contoh-contoh hasil mammografi:
Gambar 2.4 (kiri) normal vs (kanan) terjangkit kanker
Gambar 2.5 contohgambarhasil mammografi
28 2.4.3 Resiko Disamping keuntungan yang didapat dari mammografi. M ammografi juga memiliki resiko-resiko antara lain: 1. False-Positive False-positive merupakan kondisi dimana dokter mendiagnosa pasien terkena kanker payudara berdasarkan hasil analisa mammogram padahal pasien tersebut tidak terkena/terjangkit penyakit kanker payudara oleh karena itu disebut false (kesalahan) positive (terjangkit). Kondisi ini dikarenakan oleh kesalahan analisa dokter atau mungkin kesalahan pada prosedur mammogram. Kondisi ini juga menyebabkan pasien harus menjalani beberapa perawatan dan pengecekan-pengecekan ulang yang seharusnya tidak perlu. Tentu saja pasien harus mengeluarkan uang lebih banyak dikarenakan kondisi ini. Kira-kira sekitar 7% hasil scan mammogram didiagnosa sebagai falsepositive 2. False-Negative Selain false-positive tentu saja ada false-negative. Sesuai namanya, falsenegative merupakan kebalikan dari false-positive yaitu kondisi dimana pasien didiagnosa tidak terjangkit dan bersih dari kanker payudara padahal kenyataannya tidak begitu. Hal ini juga bisa disebabkan kesalahan saat proses mammografi, hasil mammogram yang kurang jelas, dan diagnosa dokter yang salah.
29 Pasien akan merasa aman dan tenang karena didiagnosa bersih dari kanker payudara namun, kanker tersebut akan berkembang lebih jauh sehingga akan ketahuan saat kanker tersebut telah mencapai stadium tertentu atau sudah bahaya.
Selain itu, masih ada resiko lain dari mammografi yaitu kemungkinan radiasi pada saat proses mammografi yang malahan dianggap mampu menstimulasi sel kanker. Radiasi ini masih menjadi pro dan kontra para ilmuwan dikarenakan tidak ada data pasti pasien bisa terkena radiasi yang memicu kanker payudara. adapula kemungkinan resiko dari kompresi payudara saat mammografi dilakukan. Karena payudara yang ditekan dapat menyebabkan sel kanker untuk menyebar. Disamping semua resiko yang mungkin terjadi, mammografi tetaplah menjadi cara terbaik untuk mendeteksi gejala awal kanker payudara sehingga dapat dilakukan perawatan lebih cepat sebelum kanker tersebut sudah semakin ganas dan sulit dijinakkan.
2.4.4 Kalsifikasi Kalsifikasi merupakan salah satu kondisi yang bisa terdapat dari mammogram. Kalsifikasi adalah kalsium yang menggumpal/mengumpul pada jaringan payudara. Tidak semua kalsifikasi merupakan kanker payudara namun kalsifikasi merupakan tanda-tanda awal terjangkitnya kanker payudara. Kalsifikasi dibagi 2 yaitu: kalsifikasi mikro dan kalsifikasi makro.
30 Kalsifikasi mikro merupakan kalsifikasi kecil yang terjadi pada payudara. biasanya berbentuk titik/garis dan sangat kecil. Rata-rata kalsifikasi mikro memiliki ukuran sekitar 0.3mm.
Gambar 2.6 Contoh kalsifikasi mikro pada mammogram Sesuai namanya, kalsifikasi makro merupakan kalsifikasi yang besar. Kalsifikasi makro juga tidak menjamin seseorang terjangkit kanker payudara atau tidak. Tetapi orang yang terjangkit kalsifikasi makro biasanya lebih rentan terkena kanker payudara. kalsifikasi makro biasanya diderita oleh wanita yang berusia 50 tahun ke atas.
31
Gambar 2.7 contoh kalsifikasi makro pada mammogram. Penyebab kalsifikasi bermacam-macam biasanya diakibatkan oleh infeksi, luka, dan lain-lain oleh karena itu kalsifikasi belum tentu adalah kanker payudara namun memiliki peluang terjangkit kanker payudara.
