34
BAB 3 METODOLOGI
3.1 Analisis Kebutuhan dan Masalah Dalam proses diagnosis kanker payudara dibutuhkan akurasi yang tinggi untuk mengurangi adanya false positive dan false negative. False positive dalam hal ini apabila pasien tidak terdiagnosis kanker tetapi dikatakan positif kanker, dan false negative apabila pasien terdiagnosis mengidap kanker, tetapi dikatakan tidak kanker. Permasalahannya adalah citra mamografi memiliki tingkat kontras yang rendah, dengan basis warna hitam putih menambah kesulitan dalam membedakan kejanggalan pada payudara apabila tidak didukung batasan – batasan yang jelas pada citra. Metode yang paling banyak digunakan dalam kasus seperti ini adalah content based image retrieval (CBIR). Dalam CBIR penyimpanan yang dilakukan ke dalam basis data adalah fitur – fitur hasil ekstraksi dari citra yang menjadi strong discriminator. 3.2 Solusi Alternatif Citra dapat diperjelas dengan meningkatkan intensitas dan kontras dari citra agar proses penentuan ROI dapat lebih mudah dilakukan. Peningkatan intensitas dan kontras ini tidak berpengaruh pada hasil ekstraksi fitur, karena ekstraksi tetap berpusat pada citra asli atau citra awal mamografi sebelum diperjelas.
35
3.3 Metodologi Aplikasi Metode yang digunakan dalam karya ini adalah metode Content Based Image Retrival (CBIR) yang terdiri dari dua bagian utama, yaitu Off-Line Processing dan OnLine Processing.
Gambar 3.3.1 Diagram alir aplikasi
3.3.1 Off-line Processing Pada proses ini, fitur – fitur citra mamografi mula – mula diubah menjadi matriks GLCM (gray level co-occurrence matrix). Fitur – fitur kemudian diekstrak dari matriks tersebut dan disimpan ke dalam database. Fitur – fitur yang digunakan tidak secara acak dipilih, melainkan dipilih berdasarkan pemilihan fitur dengan pendekatan ttest sehingga didapat fitur – fitur yang dinilai mempunyai tingkat diskriminator tinggi.
36
Pada penelitian ini, t-test tidak dilakukan karena sudah dilakukan oleh peneliti lain sebelumnya. Fitur – fitur yang digunakan antara lain angular second moment (persamaan 2), variance (persamaan 5), correlation (persamaan 4), difference entropy (persamaan 12), dan entropy (persamaan 10). Hasil ekstraksi fitur off-line disimpan dalam basis data yang berperan sebagai parameter – parameter pengukur derajat kesamaan yang akan diretrieve berupa citra- citra yang ada dalam basis data secara on-line dengan fitur ekstraksi dari citra query. Reign of interest (ROI) terlebih dahulu ditentukan dengan cara memotong citra yang dicurigai, kemudian fitur – fitur citra diekstrak dan disimpan dalam database. 3.3.2 On-line Processing On-line processing pada umumnya sama dengan off-line processing, pertama – tama pada citra query dilakukan pemotongan reign of interest (ROI), lalu diubah menjadi matriks GLCM dan dilakukan ekstraksi fitur. Pada tahap indexing, dilakukan pelatihan dengan metode analisis diskriminan (persaman 13) untuk membedakan apakah citra mamografi termasuk kategori normal atau abnormal. Pada penelitian ini digunakan 5 (lima) fitur vektor dengan 4 (empat) sudut kemiringan 0o, 45o, 90o, dan 135o, di mana p adalah jumlah seluruh fitur vektor, dalam hal ini p = 20.
37
3.4 Algoritma Diagnosis Load image Cropping GLCM Feature extraction Indexing into database(all data)
If ABNORMAL Analyze abnormality
If NORMAL Indexing into normal database
Similarity measure
Display image Rank 1 ‐ 3
Indexing into abnormal database image
38
3.5 Pseudocode BEGIN
END
LOAD IMAGE [x,y,width,height] = CROP IMAGE MATRIKS = GLCM[x,y,width,height] FITUR1 = ASM (MATRIKS,[0, 45, 90, 135]) FITUR2 = CORRELATION (MATRIKS,[0, 45, 90, 135]) FITUR3 = ENTROPY (MATRIKS, [0, 45, 90, 135]) FITUR4 = DIFF_ENTROPY (MATRIKS, [0, 45, 90, 135]) FITUR5 = VARIANCE (MATRIKS, [0, 45, 90, 135]) SQLQUERY = SELECT ABNORMAL AND NORMAL IMAGE ANALYZE_DISCRIMINANT() IF (NORMAL) SQLQUERY = SELECT IMAGE FROM DB_NORMAL INDEXING() ELSE IF (ABNORMAL) SQLQUERY = SELECT IMAGE FROM DB_ABNORMAL INDEXING() END IF ECLUDIAN_DISTANCE() SORT() //FROM SMALLEST DISTANCE SHOW RESULTS
