EVALUASI CIRI CITRA TERMOGRAFI DENGAN METODE WAVELET UNTUK KANKER PAYUDARA

EVALUASI CIRI CITRA TERMOGRAFI DENGAN METODE WAVELET UNTUK KANKER PAYUDARA Oleh : Afriliana Kusumadewi Staf Pengajar Jurusan Teknik Elektro Universitas Widya Dharma Klaten Email : [email protected]

Abstract Image feature extraction represent part of fundamental of image analysis. The main target of image feature extraction is can be differentiate an object with other object by paying attention computing complexity in obtaining characteristic. Feature extraction in this research is conducted at image result of thermography for breast cancer, using wavelet method specially daubechies2, daubechies9, coiflet1, and symlet2. Image feature result of wavelet transform can be obtained by calculating the energy which consist in each image subband, that is approximation subband, horizontal detail subband, vertical detail subband, and diagonal detail subband. This research using 44 data image of thermogram normal breast, 19 image of thermogram early breast cancer, and 26 image of thermogram continue breast cancer. Image pre processing conducted by altering thermogram colour image become thermogram grayscale image, continued with determination of ROI and cropping method. Image result cropping method is extracted using 6 level wavelet decomposition. The biggest energy at detail subband will be become feature at each thermogram image. Image feature of thermogram result of examination get from detail subband. The biggest energy subband there are at horizontal subband detail and vertical subband detail. Based on value of energy subband detail the best accuration diagnose feature extraction used wavelet Db2 and Sym2 decomposition at 6 level decomposition, while the ugly result of feature extraction used wavelet Db9 decomposition. Keywords: Thermogram image, breast cancer, feature extraction, wavelet, subband energy PENDAHULUAN Kanker payudara merupakan penyebab utama kematian pada wanita akibat kanker. Di Indonesia kanker payudara merupakan satu jenis kanker terbanyak yang dijumpai pada wanita. Berdasarkan data Sistem Informasi Rumah Sakit (SIRS) 2007 kejadian kanker payudara sebanyak 8.227 kasus atau 16,85 % dan merupakan jenis kanker pembunuh nomor dua wanita Indonesia setelah kanker serviks.

Screening test adalah tes yang digunakan untuk mengevaluasi populasi manusia untuk mendeteksi adanya penyakit tertentu. Beberapa metode screening test kanker payudara telah dikembangkan selain mammografi salah satunya yaitu dengan termografi. Termografi disebut juga dengan thermal imaging. Termografi menggunakan kamera khusus untuk mengukur temperatur kulit di permukaan payudara dan menghasilkan peta digital (digital map)

Afriliana Kusumadewi : adalah Staf Pengajar Jurusan Teknik Elektro UNWIDHA Klaten

Magistra No. 81 Th. XXIV September 2012 ISSN 0215-9511

63

Evaluasi Ciri Citra Termografi dengan Metode Wavelet Untuk .....

yang disebut dengan citra termogram. Citra termogram digunakan untuk screening kanker payudara didasarkan pada konsep, kanker payudara akan membuat temperatur permukaan kulit payudara menjadi lebih panas dibandingkan dengan jaringan payudara normal. Termografi akan mendeteksi perubahan di jaringan payudara sebelum tumor terbentuk atau sebelum tumor cukup besar untuk dapat terdeteksi menggunakan mammografi. Termografi termasuk non invasive test yang tidak menimbulkan radiasi, tidak ada sentuhan langsung pada saat proses termografi berlangsung, tidak ada bagian tubuh yang tertekan, tidak menyakitkan, dan hasilnya dapat langsung dilihat. Ada dua jenis citra yaitu citra kontinu dan citra diskrit. Citra termogram payudara normal dan citra termogram kanker payudara termasuk dalam jenis citra diskrit. Citra termogram warna akan diubah menjadi citra termogram grayscale, kemudian ditentukan area yang akan dianalisa menggunakan metode Region Of Interst (ROI), dan dikecilkan ukuran citranya dengan metode cropping untuk mempercepat waktu komputasi. Untuk mendapatkan ciri khusus dan karakteristik unik dari citra termogram payudara normal dan citra termogram kanker payudara maka perlu dilakukan ektraksi ciri. Ekstraksi ciri adalah proses untuk mengekstraksi informasi seperti warna, tekstur, dan bentuk. Citra termogram payudara normal dan citra termogram kanker payudara mempunyai tekstur yang tergantung dengan skala, oleh sebab itu dibutuhkan analisis multiscale (multiresolusi) untuk melakukan ekstraksi ciri. Maka dipilihlah metode transformasi wavelet, karena transformasi wavelet adalah transformasi yang sesuai untuk analisis multiresolusi. Keunggulan transformasi wavelet untuk analisis

64

multiresolusi adalah ortogonal, spasial, dan lokalisasi frekuensi yang baik, serta kemampuan untuk membentuk dekomposisi multiresolusi. Berdasarkan latar belakang diatas, maka dapat dirumuskan permasalahan penelitian sebagai berikut : 1. Bagaimana melakukan ekstraksi ciri pada citra termogram payudara normal, citra termogram kanker payudara dini, dan citra termogram kanker payudara lanjut dengan menggunakan metode wavelet sehingga didapatkan ciri citranya?, 2. Bagaimana membuat program ekstraksi ciri berbasis metode wavelet menggunakan software matlab 7.1 untuk diaplikasikan pada citra termogram payudara normal, citra termogram kanker payudara dini, dan citra termogram kanker payudara lanjut?, 3. Bagaimana melakukan pengujian terhadap program ekstraksi ciri berbasis wavelet menggunakan matlab 7.1 untuk berbagai jenis citra termogram payudara normal, citra termogram kanker payudara dini, serta citra termogram kanker payudara lanjut. 4. Bagaimana menghitung besarnya energi subband aproksimasi dan energi subband detail citra termogram payudara normal dan citra termogram kanker payudara hasil dari dekomposisi wavelet yang menjadi ciri citra termogram payudara normal, citra termogram kanker payudara dini, dan citra termogram kanker payudara lanjut. Manfaat yang diharapkan dari penelitian ini adalah dapat melakukan ekstraksi ciri terhadap citra termogram payudara normal, citra termogram kanker payudara dini, dan citra termogram kanker payudara lanjut menggunakan metode wavelet, dapat menghitung besarnya energi berdasarkan hasil dekomposisi wavelet, yang direpresentasikan lebih lanjut menggunakan tabel dan grafis untuk mengetahui ciri khusus citra termogram kanker payudara, dan mengembangkan program berbasis Matlab 7.1 yang dapat diaplikasikan pada citra termogram payudara.



LANDASAN TEORI

Transformasi Wavelet

Termografi dalam Kanker Payudara

Wavelet diartikan sebagai small wave atau gelombang singkat. Transformasi wavelet merupakan perbaikan dari transformasi Fourier. Wavelet adalah salah satu fungsi yang memenuhi persyaratan

Termografi (clinical infrared imaging) adalah prosedur untuk mendeteksi, merekam, dan menghasilkan citra temperatur permukaan kulit dan pola termal pasien (Bronzino, 2006). Prosedur ini menggunakan alat yang dapat merepresentasikan secara kualitatif dan kuantitatif pola-pola temperatur permukaan kulit. Penggunaan termografi tidak menimbulkan radiasi dan tidak mengganggu aliran darah vena seperti pada prosedur yang bersifat invasif, sehingga pada saat proses termografi tidak membahayakan pasien. Termografi pada payudara menghasilkan informasi tentang normal atau abnormal fungsi fisiologis payudara, sistem sensory and sympathetic nervous, sistem pembuluh darah payudara, dan proses peradangan pada payudara. Termografi pada jaringan payudara menawarkan suatu metode pencitraan jaringan yang dapat menangani perubahan yang sangat kecil dalam temperatur alirah darah dan konfigurasinya yang berhubungan dengan tahap-tahap perkembangan kanker payudara. Pencitraan termogram dapat mendeteksi tahap awal pada pertumbuhan sel kanker payudara 2 tahun lebih awal sebelum dideteksi menggunakan metode lain (Ovechkim, 2003). Pencitraan termogram dapat digunakan untuk mendeteksi kelainan yang terjadi pada payudara karena tingkat hormon yang tinggi akan mempercepat pertumbuhan sel kanker payudara. Hal ini dapat dijadikan acuan pada citra awal sedini mungkin karena tanda termal obyek cenderung tidak mengalami perubahan sehingga munculnya perbedaan atau variasi temperatur dapat digunakan sebagai petunjuk kenaikan resiko kanker payudara (Oveckhim, 2003)


matematika tertentu yang mampu melakukan dekomposisi terhadap sebuah fungsi. Wavelet dapat digunakan untuk menggambarkan sebuah model atau gambar asli berupa citra, kurva, atau sebuah bidang ke dalam fungsi matematis. Wavelet telah banyak diterapkan dalam berbagai macam bidang, salah satunya adalah pengolahan citra. Wavelet merupakan fungsi basis. Basis wavelet berasal dari sebuah fungsi penskalaan atau dikatakan juga sebagai sebuah scaling function. Scaling function memiliki sifat dapat disusun dari sejumlah salinan yang telah didilasikan, ditranslasikan, dan diskalakan. Fungsi ini diturunkan dari persamaan dilasi (dilation equation) sebagai dasar dari teori wavelet. Persamaan scaling function tersebut adalah : ........

(1)

ho menyatakan koefisien penskalaan, koefisien transformasi, atau koefisien dari filter. Sedangkan k menyatakan indeks dari koefisien penskalaan. Angka 0 pada h0 hanya menunjukkan jenis koefisien filter yang menyatakan pasangan dari jenis koefisien filter yang lain. Dari persamaan scaling function ini dapat dibentuk persamaan wavelet yang pertama (atau disebut juga mother wavelet) dengan bentuk sebagai berikut : ............

(2)

h0 dan h1 adalah koefisien transformasi yang berpasangan. Kedua pasangan tersebut dalam wavelet sering disebut dengan filter low pass dan high pass. Dari mother wavelet ini kemudian dapat dibentuk wavelet-wavelet berikutnya (ø1, ø2 dan seterusnya) dengan cara mendilasikan (memampatkan atau meregangkan) dan menggeser mother wavelet.

65


Jenis-Jenis Wavelet Jenis-jenis wavelet (wavelet families) dikelompokkan sesuai dengan sejumlah propertis sehingga dapat dibedakan antara satu jenis wavelet dengan yang lainnya. Propertis yang digunakan untuk membedakan wavelet families adalah sebagai berikut : 1.

diagonal ( . Transformasi wavelet pada citra 2D pada prinsipnya sama dengan transformasi pada citra 1D. Pada citra 2D proses dekomposisi dilakukan pada baris terlebih dahulu kemudian dilanjutkan dengan dekomposisi pada kolom.

dan ö terhadap kecepatan Dukungan fungsi konvergensi pada saat fungsi menuju ke 0 dimana t adalah frekuensi yang tidak berhingga, menentukan kuantifikasi lokalisasi wavelet

H0

Input H1

2.

Simetri, kriteria simetri berguna untuk menghindari dephasing.

3.

Jumlah zero moments dan zero moments ö yang berguna untuk kompresi.

4.

Regularity, yang berguna untuk proses rekonstruksi sinyal atau citra.

Pada penelitian ini jenis wavelet yang digunakan adalah Daubechies2 (Db2), Daubechies9 (Db9), Coiflet1 (Coif1), dan Symlet2 (Sym2).

Dekomposisi Wavelet 2D Citra termogram berbentuk dua dimensi, sehingga dekomposisi wavelet yang digunakan juga berdimensi dua. Dekomposisi wavelet 2D merupakan hasil dari : =

Hasil dekomposisi wavelet berupa 4 buah subband citra yaitu 1 subband aproksimasi ( dan 3 subband detail yang terdiri dari detail horizontal

66

LL

H1

↓2

LH

H0

↓2

HL

H1

↓2

HH

↓2

Dekomposisi baris

Dekomposisi kolom

Gbr. 1. Dekomposisi wavelet 2D 1 level

Energi Subband Dekomposisi wavelet 2D dengan 1 level dekomposisi akan menghasilkan empat buah subband citra yaitu low-low, low-high, high-low, dan high-high. Pada k level dekomposisi, maka energi subband dihitung pada subband aproksimasi dan subband detail hasil k level dekomposisi. Energi subband berdasarkan koefisien wavelet pada level-k didefinisikan sebagai : ...... (3) Dimana k = 1, ..., J, sub = LH, HL, HH dan Mk, Nk adalah lebar dan panjang sub citra pada skala k. Energi subband memperlihatkan distribusi energi dan terbukti sangat efisien untuk karakterisasi citra.

=

(

↓2

↓2

Citra

dalam waktu dan frekuensi.

H0

, detail vertikal (

Pada penelitian ini menggunakan 6 level dekomposisi wavelet. Tahapan dalam ekstraksi ciri dari sebuah citra termogram grayscale adalah sebagai berikut:

, dan detail



1.

Obyek berupa citra termogram grayscale hasil cropping dengan ukuran 64 x 64 piksel.

Data citra termogram di download dari kamera termal Fluke Ti20 Thermal Imager menggunakan

Dekomposisi wavelet 2D 6 level dilakukan terhadap obyek menggunakan salah satu jenis wavelet (db2, db9, coif1, atau sym2).

program InsideIR 3.11. Citra termogram kemudian disimpan ke dalam satu buah folder dengan format penyimpanan file berekstensi .bmp dengan ukuran citra lebar 256 piksel dan tinggi 192 piksel. Citra

2.

Hitung energi (Ek) dari tiap subband citra detail.

3.

Pilih dua energi terbesar dari subband detail untuk membentuk vektor ciri.

4.

Energi terbesar subband detail menjadi ciri citra termogram

Besar energi pada 6 level dekomposisi wavelet 2D yang dipilih dapat digunakan untuk mendefinisikan ciri citra. Pemilihan level dekomposisi citra dan pemilihan jenis wavelet menentukan perhitungan ciri citra. Besarnya energi masing-masing citra subband dapat ditampilkan secara grafis. Dengan menggunakan grafik akan mempermudah melakukan analisa terhadap besar energi yang diperoleh dan memperjelas merepresentasikan ciri-ciri yang didapatkan dari suatu citra termogram payudara normal, citra termogram kanker payudara dini dan citra termogram kanker payudara lanjut.

METODOLOGI PENELITIAN Materi Penelitian Materi penelitian yang digunakan dalam penelitian ini adalah citra digital termogram payudara normal, termogram kanker payudara dini, dan termogram kanker payudara lanjut. Termogram diambil menggunakan kamera termal Fluke Ti20 Thermal Imager. Pasien yang digunakan sebagai sampel berjenis kelamin wanita dan tidak dibatasi umur.

termogram inilah yang digunakan sebagai input pada program aplikasi. Agar dapat diolah oleh program aplikasi (Matlab 7.1) dengan tampilan wajar dan waktu pengolahan yang cukup cepat, maka citra yang dimasukkan di ubah dari citra RGB menjadi grayscale serta ukuran citra di cropping menjadi lebar 64 piksel dan tinggi 64 piksel. Ruang lingkup materi penelitian ini adalah pembuatan program berbasis Matlab 7.1 untuk evaluasi ciri citra termografi yang diterapkan pada analisis citra termogram payudara, terutama termogram yang mengalami perubahan termal akibat adanya penyakit kanker payudara yang diambil menggunakan kamera Fluke Ti20 Thermal Imager. Alat Penelitian Peralatan yang digunakan dalam penelitian ini terdiri atas dua komponen utama, yaitu perangkat keras (hardware) dan perangkat lunak (software). Spesifikasi hardware yang dibutuhkan antara lain kamera Fluke Ti20 Thermal Imager, Fluke Ti20 Thermal Imager menganalisis daerah kritis berdasarkan termal, seperangkat komputer dengan spesifikasi Intel(R) CoreTM 2 Duo, CPU T5750 @ 2.00GHz, 997MHz 1.99 GB of RAM, HDD 160 GB, OS Microsoft Window XP Professional SP 2, printer Epson TX 111 dan Printer Epson Stylus Photo R230. Dilengkapi dengan software InsideIR 3.11 dan LCD display berukuran 128 x 96. Spesifikasi software yang dibutuhkan antara lain Microsoft Office 2007, Matlab 7.1, InsideIR 3.11, Adobe Photoshop CS version 8.


67


Tahap Penelitian Penelitian ini dilakukan melalui dua tahap kegiatan, yaitu perancangan program dan pengujian program. Perancangan program dilakukan mengikuti algoritma perancangan yang sistematis sesuai dengan tujuan perancangan program. Algoritma disusun sedemikian rupa sehingga secara teknis program tersebut dapat bekerja. Kinerja program yang dirancang diuji dengan menggunakan sejumlah sampel citra termogram yang telah ditetapkan menggunakan berbagai jenis wavelet. Sistem ‘Evaluasi Ciri Citra Termografi dengan Metode Wavelet untuk Kanker Payudara’ dirancang menggunakan software Matlab 7.1 untuk melakukan ekstraksi ciri terhadap citra termogram khususnya termogram payudara normal, termogram kanker payudara dini, dan termogram kanker payudara lanjut sehingga didapatkan ciri-ciri subband dari masingmasing citra tersebut. Ekstraksi ciri ditentukan dengan menggunakan wavelet 2D dari jenis wavelet Daubechies2 (Db2), Daubechies9 (Db9), Coiflet1 (Coif1), dan Symlet2 (Sym2). Alasan pemilihan empat jenis wavelet Db2, Db9, Coif1, dan Sym2 didasarkan pada kualitas citra yang diperoleh dari hasil dekomposisi. Citra asli yang didekomposisikan akan menjadi 4 subband baru. Setiap subband berukuran seperempat kali dari citra asli. 3 subband detail tampak seperti versi kasar dari citra asli karena berisi komponen frekuensi tinggi dari citra asli. Sedangkan subband aproksimasi tampak seperti citra asli dan lebih halus (smooth) karena berisi komponen frekuensi rendah citra asli. Apabila dilakukan proses rekonstruksi citra dengan cara mengalikan keempat subband citra hasil dekomposisi dengan filter low pass dan high pass, akan diperoleh kembali citra aslinya. Dengan menggunakan empat jenis wavelet Db2, Db9, Coif1, dan Sym2 akan menghasilkan citra rekonstruksi yang

mendekati citra aslinya. Artinya empat jenis wavelet ini memiliki error yang paling kecil ketika proses rekonstruksi berlangsung. Sehingga wavelet Db2, Db9, Coif1, dan Sym2 dipilih untuk proses ektraksi ciri dalam penelitian ini. Pada proses ekstraksi ciri wavelet Db2, Db9, Coif1, dan Sym2 memberikan hasil pengujian yang lebih baik dibandingkan dengan jenis wavelet lainnya. Energi subband yang dihasilkan lebih besar sehingga dapat membentuk ciri citra termogram. Perancangan pembuatan algoritma yang akan diterapkan pada penelitian ini ditunjukkan pada diagram alir Gambar 2 berikut ini. Mulai

Akuisisi Citra

Konversi Citra RGB Menjadi Grayscale

ROI dan Cropping

Dekomposisi Wavelet 2D

Hitung Energi Subband dan Analisis Energi Subband

Membentuk Vektor Ciri, Menentukan Ciri Citra, dan Merepresentasikan Besar Energi Secara Grafis

Selesai

Gbr. 2. Flowchart perancangan algoritma ekstraksi ciri

68



PENGUJIAN PERANGKAT LUNAK Pengujian perangkat lunak dilakukan dengan

HASIL DEKOMPOSISI BERBASIS MATLAB 7.1

WAVELET

2D

menggunakan parameter besarnya energi subband detail. Besar energi subband detail dipakai sebagai parameter karena hampir 99% besar energi berada pada subband aproksimasi. Besar energi subband aproksimasi tidak bisa memberikan ciri pada tiap jenis citra termogram karena mempunyai energi yang besar dan hampir sama. Apabila besar energi subband aproksimasi dijadikan parameter pengujian maka ciri semua citra termogram menjadi sama, yaitu besarnya energi aproksimasi. Tujuan ekstraksi ciri adalah menemukan ciri khusus suatu citra sehingga dapat dibedakan dengan citra lainnya. Oleh sebab itu parameter yang dipakai dalam pengujian adalah besarnya energi subband detail, karena besar energi subband detail dapat menjelaskan karakteristik masing-masing citra termogram. Tiap-tiap citra termogram payudara normal, citra termogram kanker payudara dini, dan citra termogram kanker payudara lanjut akan diuji menggunakan perangkat lunak yang telah dibuat. Hasil yang diperoleh pada tahap pengujian ini adalah besar energi masing-masing citra termogram, energi pada subband detail dan subband aproksimasi.

Gbr. 3. Contoh hasil dekomposisi wavelet db2

Berdasarkan hasil dekomposisi wavelet 2D pada citra termogram payudara normal dan kanker payudara, jenis wavelet yang berbeda akan menghasilkan koefisien dekomposisi wavelet yang berbeda juga, meskipun proses dekomposisi menggunakan level dan citra termogram yang sama. Jenis wavelet yang digunakan dalam proses dekomposisi menentukan hasil koefisien dekomposisi wavelet.

Prosedur pengujian tiap-tiap citra termogram adalah dipilih dua energi terbesar dari subband detail (subband detail horisontal, subband detail vertikal, atau subband detail diagonal) untuk membentuk vektor ciri. Sedangkan energi subband detail terbesar menjadi ciri citra termogram. Prosedur pengujian ini dilakukan menggunakan empat jenis wavelet.


69


HASIL PERHITUNGAN ENERGI Tabel 1. Besar energi hasil dekomposisi 6 level wavelet db2

Tabel 2. Besar energi hasil dekomposisi 6 level wavelet db9

70



Tabel 3. Besar energi hasil dekomposisi 6 level wavelet coif1

Tabel 4. Besar energi hasil dekomposisi 6 level wavelet sym2


71


Berdasarkan tabel 1 sampai dengan tabel 4 besar energi hasil dekomposisi 6 level wavelet db2, db9, coif1, dan sym2 terlihat energi terbesar subband aproksimasi dihasilkan oleh citra termogram payudara normal, Sedangkan energi terkecil subband aproksimasi terdapat pada citra termogram kanker payudara lanjut. Sedangkan energi subband detail terbesar dihasilkan citra termogram kanker payudara lanjut dan energi subband detail terkecil didapat dari citra termogram payudara normal. Subband aproksimasi mempunyai energi yang jauh lebih besar dibandingkan subband detail. Hal ini disebabkan subband aproksimasi hanya mengandung komponen frekuensi rendah dari citra aslinya. Energi subband aproksimasi yang besar membuat citra pada subband aproksimasi mendekati citra asli. Sedangkan subband detail yang mengandung komponen frekuensi tinggi dari citra asli mempunyai energi yang sangat kecil apabila dibandingkan dengan energi subband aproksimasi, sehingga citra yang dihasilkan subband detail merupakan versi kasar dari citra asli. Sel kanker payudara lanjut membuat temperatur permukaan kulit payudara menjadi lebih tinggi dibandingkan dengan sel kanker payudara dini dan payudara normal. Temperatur yang lebih tinggi menyebabkan energi subband detail pada citra termogram kanker payudara lanjut lebih besar dibandingkan energi subband detail pada citra termogram kanker payudara dini dan citra termogram payudara normal.

kecuali untuk hasil dekomposisi wavelet db9 yang menghasilkan besar energi subband aproksimasi citra termogram kanker payudara lanjut lebih besar dibandingkan dengan citra termogram kanker payudara dini. Energi subband aproksimasi terbesar dihasilkan dari dekomposisi wavelet db9 dan besar energi subband aproksimasi terkecil dihasilkan dari dekomposisi wavelet db2 dan sym2. Kesimpulan yang dapat diambil dari perhitungan energi subband aproksimasi adalah besar energi subband aproksimasi tidak dapat digunakan sebagai parameter untuk mencari ciri citra termogram. Besar energi subband aproksimasi yang besar membuat semua ciri citra termogram payudara terletak pada subband aproksimasi, dengan demikian tidak dapat dibedakan ciri antara citra termogram payudara normal, citra termogram kanker payudara dini, dan citra termogram kanker payudara lanjut. Pemakaian besar energi subband aproksimasi sebagai parameter pencarian ciri citra termogram payudara tidak memenuhi tujuan ekstraksi ciri yang ingin mengetahui ciri unik suatu citra. Perbandingan besar energi subband aproksimasi untuk semua jenis citra dan semua jenis wavelet terlihat pada gambar 4 berikut :

Energi Subband Aproksimasi Untuk semua jenis wavelet db2, db9, coif1, dan sym2 besar energi subband aproksimasi terbesar terdapat pada citra termogram payudara normal. Sedangkan besar energi terkecil subband aproksimasi berada pada citra termogram kanker payudara lanjut,

72

Gambar. 4. Grafik besar energi subband aproksimasi



Energi Subband Detail Perbandingan besar energi subband detail untuk semua jenis citra dan semua jenis wavelet terlihat pada gambar 5 berikut :

Jenis wavelet yang paling baik digunakan untuk ekstraksi ciri citra termogram payudara normal, citra termogram kanker payudara dini, dan citra termogram kanker payudara lanjut adalah db2 dan sym2 yang menghasilkan energi subband detail terbesar. SIMPULAN, IMPLIKASI, DAN SARAN Ciri citra termogram hasil pengujian didapatkan dari subband detail. Hal ini disebabkan ciri pada subband aproksimasi tidak mempunyai faktor pembeda yang kuat karena nilai energi yang dihasilkan hampir sama besarnya disetiap subband

Gambar 5. Grafik besar energi subband detail

Energi subband detail terbesar dihasilkan dari dekomposisi wavelet jenis db2 dan sym2, sedangkan energi subband detail terkecil dihasilkan dari dekomposisi wavelet db9. Pada proses ekstraksi ciri berbasis wavelet, ciri citra didapatkan dari energi subband detail terbesar. Oleh sebab itu wavelet db2 dan sym2 yang paling baik digunakan untuk mendapatkan ciri citra karena menghasilkan energi yang terbesar dibandingkan dengan db9 dan coif1. Kesimpulan yang dapat diambil dari perhitungan energi subband detail adalah besar energi subband detail cocok digunakan sebagai parameter untuk mencari ciri citra termogram payudara. Besar energi subband detail yang bervariasi pada tiap subband detail horisontal, subband detail vertikal, dan subband detail diagonal dapat membentuk ciri tiaptiap citra termogram payudara.

aproksimasi pada semua jenis citra termogram. Energi subband detail terbesar terdapat pada subband detail horizontal dan subband detail vertikal. Citra termogram kanker payudara lanjut mempunyai energi subband detail terbesar, sedangkan energi subband detail terkecil terdapat pada citra termogram payudara normal. Berdasarkan nilai energi subband detail, akurasi diagnosis citra termogram terbaik dihasilkan oleh ekstraksi ciri menggunakan dekomposisi wavelet db2 dan sym2 pada level 6 dekomposisi, sedangkan hasil terburuk dihasilkan oleh ekstraksi ciri menggunakan dekomposisi wavelet db9. Wavelet db2 dan wavelet sym2 paling baik digunakan untuk ekstraksi ciri citra termogram payudara normal, kanker payudara dini, dan kanker payudara lanjut karena menghasilkan energi subband detail yang terbesar. Wavelet db9 tidak cocok digunakan untuk ekstraksi ciri citra termogram payudara normal, kanker payudara dini, dan kanker payudara lanjut

Pemakaian besar energi subband detail sebagai parameter pencarian ciri citra termogram payudara

karena besar energi subband detail yang dihasilkan sangat kecil.

memenuhi tujuan ekstraksi ciri yaitu memberikan ciri yang unik pada tiap-tiap citra termogram sehingga

Implikasi dan saran dari penelitian ini adalah

dapat dibedakan dengan citra termogram lainnya.


metode wavelet yang digunakan untuk ekstraksi ciri citra termogram payudara normal dan citra termogram

73


kanker payudara mempunyai hasil yang mendekati hasil diagnosis sorang dokter ahli. Untuk membuktikan keakuratan sistem yang menggunakan metode wavelet ini, untuk penelitian yang akan datang dapat diteliti penerapan metode wavelet ini untuk jenis citra termogram yang mengalami penambahan derau. Citra termogram sebagi hasil dari proses termografi biasanya mengandung derau yang dapat mengganggu kualitas dari citra termogram tersebut. Selain itu penelitian penggunaan jenis-jenis wavelet yang lain untuk ekstraksi ciri sangat dibutuhkan untuk membuktikan kinerja metode wavelet dalam proses ekstraksi ciri citra termogram.

DAFTAR PUSTAKA Ahmad. U, 2005, Pengolahan Citra Digital dan Teknik Pemrogramannya, Penerbit Graha Ilmu, Yogyakarta.

Gonzalez, R. C and Rafael, E. W, 2008, Digital Image Processing, Prentice Hall Inc, United Stated of America. Jain, K. A, 1995, Fundamental of Digital Image Processing, Prentice Hall Inc, New Jersey. J. Mercola. DR, 2011, Revolutionary and Safe Diagnostic Tool Detects Hidden Inflammation : Thermography, http:// naturalhealthcenter.mercola.com, (diakses tanggal : 7 April 2011). Keyserlingk. J. R, Ahlgren. P. D, Yu. E, Belliveau. N, 1998, Infrared Imaging of the Breast : Initial Reappraisal Using High-Resolution Digital Technology in 100 Successive Cases of Stage I and II Breast Cancer, The Breast Journal, Official Journal of the American Society of Breast Disease, Volume 4. Number 4, America.

American Cancer Society, 2010, Breast Cancer, American Cancer Society, Atlanta.

Misiti. M, Misiti. Y, Oppenheim. G, Poggi. J. M, 2007, Matlab Wavelet Toolbox 4 User’s Guide, The MathWorks Inc, America.

Bronzino. J. D, 2008, Medical Devices and Systems, The Biomedical Engineering Handbook, Third Edition, CRC Press, Connecticut USA.

Misiti. M, Misiti. Y, Oppenheim. G, Poggi. J. M, 2007, Wavelet and Their Applications, ISTE Ltd, USA

Chun Lin, Liu, Februari 2010, A Tutorial of the Wavelet Transform, Cina Darma Putra, 2010, Pengolahan Citra Digital, Penerbit Andi, Yogyakarta.

Mohamed M. Eltoukhy, Ibrahima F.A.Y.E, Brahim B.S, 2009, Wavelet Analysis : Comparison of Approximation and Details for Mammogram Classification, Elactrical and Electronic Engineering Universiti Teknologi PETRONAS, Malaysia.

E. Sakka, A. Prentza, I.E. Lamprinos, D. Koutsouris, Oktober 2006 Microcalcification Detection using Multiresolution Analysis based on Wavelet Transform, Proc. Of the International Special Topic Conference on Information Technology in Biomedicine (IEEE-ITAB2006), Ioannina,

Munir, R, 2004, Pengolahan Citra Digital dengan Pendekatan Logaritmik, Penerbit Informatika, Bandung.

Epirus, Greece.

74



Nurhayati. T, 2006, Karakteristik Statistik Berbasis Keacakan Termal Pada Kanker Payudara Stadium Lanjut, Tesis S2 Teknik Elektro, Universitas Gadjah Mada, Yogyakarta. Musoko. V, 2005, Biomedical Signal and Image Processing, Ph.D Thesis Institute of Chemical Technology, Prague. Ovechkim, 2003, Infrared Thermography as a Method to Diagnose of the Breast Cancer, International Medical Online Journal, 2(1):1-16, ISSN 16842989. Ovechkim, Yoon. G, 2003, New Possibilities of Infrared Thermography in Diagnosing Regional Metasteses of Breast Cancer, International Medical Online Journal, 2(1):17-33, ISSN 16842989. Paulus. E, Nataliani. Y, 2007, Cepat Mahir GUI Matlab, Penerbit ANDI, Yogyakarta. P. Gamigami, M.D, 1996, Atlas of Mammography: New Early Signs in Breast Cancer, Blackwell Science.


Qi. H, Kuruganti, Kuruganti P.T, 2003, Detecting Breast Cancer from Thermal Images by Asymmetry Analysis, University of Tennessee, America. Selvarasu. N, Nachiappan. A, Nandhitha. N.M, Mei 2009, Feature Extraction Algorithms for Abnormality Quantification from Medical Thermograms, International Journal of Recent Trends in Engineering, Vol 1, No. 3, India. Sugiharto. A, 2006, Pemrograman GUI dengan Matlab, Penerbit Andi, Yogyakarta. Sutoyo. T, Mulyanto. E, Suhartono. V, Nurhayati. O. D, 2009, Teori Pengolahan Citra Digital, Penerbit Andi, Yogyakarta. The MathWorks, 2004, Using MATLAB Graphics Version 7, The MathWorks Inc, America. The MathWorks, 2004, Creating Graphical User Interfaces Version 7, The MathWorks Inc, America. Wijaya. M. C, Prijono. A, 2007, Pengolahan Citra Digital Menggunakan Matlab, Penerbit Informatika, Bandung.

75

EVALUASI CIRI CITRA TERMOGRAFI DENGAN METODE WAVELET UNTUK KANKER PAYUDARA

Recommend Documents