PENERAPAN METODE JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK MENDIAGNOSIS TINGKAT KEGANASAN KANKER PAYUDARA
RESTI GUSTIANINGSIH
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa skripsi berjudul Penerapan Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Mendiagnosis Tingkat Keganasan Kanker Payudara adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Febuari 2015 Resti Gustianingsih NIM G64124056
ABSTRAK RESTI GUSTIANINGSIH. Penerapan Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Mendiagnosis Tingkat Keganasan Kanker Payudara. Dibimbing oleh MUHAMMAD ASYHAR AGMALARO. Pencitraan medis mamografi sangat membantu dalam proses diagnosis kanker payudara. Proses analisis citra mamografi yang dilakukan secara manual membutuhkan keahlian, pengalaman, dan bersifat subjektif. Untuk itu dibutuhkan metode berbasis komputer dalam membantu kinerja radiologis agar proses analisis lebih cepat, bersifat objektif, dan lebih akurat dalam mendeteksi kanker payudara. Penelitian ini mengklasifikasikan kanker jinak dan kanker ganas menggunakan jaringan saraf tiruan propagasi balik (BpNN) dengan ekstrasi ciri Gray Level Coocurence Matrix (GLCM). Praproses citra mamografi menggunakan metode Contrast Limited Adaptive Histogram Equalization (CLAHE) dan Otsu’s N Segmentation. Objek kanker akan dikenali tingkat keganasannya dari sebaran kalsifikasi pada payudara. Ekstraksi ciri akan dihitung dengan sudut 00, 450, 900, dan 1350 dan jumlah neuron hidden layer yang dicobakan adalah 4 dan 8. Citra menghasilkan rata-rata akurasi sebesar 63.33% dengan sudut 900 dan jumlah neuron hidden layer sebanyak 4. Kata kunci: kanker payudara, gray level co-occurrence matrix, propagasi balik
ABSTRACT RESTI GUSTIANINGSIH. Backpropagation Neural Network Implementation for Breast Cancer Malignancy Diagnostic. Supervised by MUHAMMAD ASYHAR AGMALARO. Medical imaging (Mammography) is very helpful in the breast cancer diagnostic. Mammography image analysis which is done manually requires expertise, experience, and subjective. A computer aided diagnostic system is helping radiologists to more objective, quicker, and more aqqurate detection of breast cancer. This research classifies benign and malignant breast cancer using backpropagation neural network (BpNN) with backpropagation method and gray level co-ocurence matrix (GLCM) feature extraction. Mammography image preprocessing methods Contrast Limited Adaptive Histogram Equalization (CLAHE) and Otsu’s N Segmentation. The object will be recognized cancer malignancy from spread of calcification in the breast. Feature extraction will be calculated at an angle of 00, 450, 900, dan 1350 and the number of hidden layer neurons tested were 4 and 8. The result is giving an average accuracy of 63.33% at angle of 90% and the number of hidden layer neurons is 4. Keywords: breast cancer, gray level co-occurrence matrix, backpropagation
PENERAPAN METODE JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK MENDIAGNOSIS TINGKAT KEGANASAN KANKER PAYUDARA
RESTI GUSTIANINGSIH
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
Penguji : 1. Dr Yeni Herdiyeni, SSi, MKom 2. Karlina Khiyarin Nisa, SKom, MT
Judul Skripsi : Penerapan Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Mendiagnosis Tingkat Keganasan Kanker Payudara Nama : Resti Gustianingsih NIM : G64124056
Disetujui oleh
Muhammad Asyhar Agmalaro, SSi, MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi, MKom Ketua Departemen
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini bisa diselesaikan. Topik yang dipilih dalam penelitian yang dilaksanakan sejak bulan Juni 2014 adalah pemrosesan citra mendiagnosis keganasan kanker payudara. Penelitian ini berjudul Penerapan Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Mendiagnosis Tingkat Keganasan Kanker Payudara. Terima kasih penulis ucapkan kepada Bapak Muhammad Asyhar Agmalaro, SSi MKom selaku pembimbing yang telah memberi saran dan mengarahkan, kepada Ibu Dr Yeni Herdiyeni, SSi MKom dan Ibu Karlina Khiyarin Nisa, SKom MT selaku penguji. Ungkapan terima kasih juga penulis sampaikan kepada kedua orang tua, adik-adik, suami Ardiansyah, dan anak tercinta Kaysan serta seluruh keluarga atas do’a, dukungan, semangat, bantuan, dan kasih sayangnya. Penulis juga mengucapkan terima kasih kepada teman seperjuangan bimbingan Bapak Asyhar yaitu Eska, serta teman-teman Ilmu Komputer Alih Jenis angkatan 7 yang tidak dapat penulis tulis satu per satu, yang secara langsung atau tidak langsung telah membantu penulis dalam melakukan penelitian serta memberikan semangat untuk menyelesaikan karya ilmiah ini. Besar harapan penulis agar karya ilmiah ini dapat dimanfaatkan dan dikembangkan dengan lebih baik lagi. Semoga karya ilmiah ini bermanfaat.
Bogor, Febuari 2015 Resti Gustianingsih
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
3
Kanker Payudara
3
Jaringan Saraf Tiruan Propagasi Balik
4
METODE PENELITIAN Tahap Penelitian Perangkat Keras dan Perangkat Lunak HASIL DAN PEMBAHASAN
7 7 14 14
Praproses Citra
14
Ekstraksi Ciri GLCM
15
Pelatihan dan Pengujian Model JST
16
SIMPULAN DAN SARAN
18
Simpulan
18
Saran
18
DAFTAR PUSTAKA
18
RIWAYAT HIDUP
20
DAFTAR TABEL 1 2 3 4
Parameter JST propagasi balik Confusion Matrix Hasil ekstraksi ciri salah satu citra kanker jinak Akurasi rata-rata setiap neuron hidden layer dengan sudut 4 arah (%)
12 13 15 16
DAFTAR GAMBAR 1 2 3 4 5
6 7 8
9 10 11 12 13 14 15 16
Ilustrasi bentuk dasar benjolan dan batas tepi pada kanker payudara Citra mamografi kanker payudara dengan mikrokalsifikasi Arsitektur JST backpropagation Metode penelitian Citra mamografi kanker payudara, (a) kanker ganas dengan mikrokalsifikasi, (b) kanker ganas dengan circumscribed, (c) kanker ganas dengan speculated. Ilustrasi CLAHE. (a) Citra asli. (b) Citra setelah dilakukan peningkatan kontras dengan CLAHE. Metode Contrast Limited Adaptive Histogram Equalization Ilustrasi Segmentasi Otsu. (a) Citra asli. (b) Citra dengan jumlah cluster n = 1. (c) Citra dengan jumlah cluster n = 2. (d) Citra dengan jumlah cluster n = 3. Matriks Ko-okurensi Ilustrasi matriks ko-okurensi citra dengan level 8 keabuan dan hasil GLCM pada jarak 1 arah 0°. Grafik fungsi tangent-sigmoid dan logistic-sigmoid Hasil penghilangan label citra 1024 x 1024 Hasil peningkatan kontras citra dengan CLAHE Hasil segmentasi Otsu dengan n = 4 Hasil segmentasi yang mengakibatkan perubahan bentuk kanker. (a) Letak indikasi kanker, (b) Kesalahan segmentasi tulang dada dan jaringan payudarasebagai area kanker.
3 4 5 7
8 9 9
9 10 11 12 14 14 15 17 17
PENDAHULUAN Latar Belakang Kanker payudara merupakan salah satu penyakit mematikan yang ditakuti wanita dan menjadi penyebab kematian terbanyak pada wanita di negara berkembang (Mohanty et al 2011). Menurut data WHO dalam kurun waktu tahun 2008 sampai tahun 2012 jumlah kematian di dunia akibat kanker meningkat cukup tajam. Pada tahun 2012 sebanyak 1.7 juta wanita didiagnosis mengidap penyakit kanker ini (WHO 2013). Gejala awal yang kurang dikenali merupakan faktor utama yang menyebabkan penanganan dini pada pengidap tidak mendapat perhatian lebih. Akibatnya proses pengobatan lambat tertangani dan baru terdeteksi setelah memasuki stadium akhir. Pemanfaatan teknologi dalam dunia medis telah banyak dilakukan untuk membantu proses diagnosis suatu penyakit. Salah satunya menggunakan pencitraan medis atau sering dikenal dengan istilah radiologi. Teknik investigasi yang paling umum digunakan oleh radiologis untuk melihat dan mendeteksi kanker payudara adalah dengan pemeriksaan mamografi menggunakan sinar X. Citra yang dihasilkan dari pemeriksaan mamografi disebut mammogram. Untuk menganalisis adanya kanker, dokter atau radiologis masih melakukan secara manual dengan melihat karakteristik dari citra mamogram. Hal ini membutuhkan keahlian, pengalaman, dan bersifat subjektif. Dengan demikian dibutuhkan suatu metode berbasis komputer yang dapat membantu kinerja radiologis agar proses analisis mamografi menjadi lebih cepat, akurat, dan bersifat objektif. Ada beberapa kelainan yang tampak pada citra mamografi dan dapat digunakan sebagai indikator adanya kanker payudara, salah satunya adalah keberadaan mikrokalsifikasi Rahbar et. al (1999). Mikrokalsifikasi adalah bintik kecil kalsium dalam jaringan payudara, yang terlihat seperti bintik-bintik putih kecil di film. Mikrokalsifikasi biasanya muncul sendiri atau berkelompok serta bentuk dan letaknya dapat membantu ahli radiologi mendeteksi kemungkinan besar hadirnya kanker. Mikrokalsifikasi pada citra mamografi umumnya sulit dideteksi karena jaringan pada payudara, variasi bentuk, dan kecerahan citra. Nampira (2012) melakukan penelitian deteksi mikrokalsifikasi pada citra mammogram dengan metode Gray Lavel Co-occurrence Matrix (GLCM) dan fitur ciri yang digunakan adalah homogenitas dan korelasi. Praproses segmentasi citra menggunakan Otsu Thresholding, deteksi tepi Canny, dan operasi morfologi dilasi pada area yang diduga terdapat mikrokalsifikasi. Klasifikasi yang digunakan adalah Support Vector Machine (SVM) dengan hasil akurasi mencapai 80% untuk citra dengan indikasi abnormal dan 86% untuk citra normal. Beberapa peneliti telah banyak melakukan penelitian untuk membedakan kelainan pada payudara dengan citra mamogram menggunakan jaringan saraf tiruan (JST) propagasi balik sehingga metode tersebut cukup populer. Klasifikasi menggunakan JST propagasi balik umumnya memperoleh hasil akurasi yang tinggi (Listia dan Harjoko 2014). Listia dan Harjoko (2014) telah melakukan penelitian menggunakan citra mamografi untuk mengklasifikasi tumor menjadi tiga kelas, yaitu tumor jinak, ganas, dan normal. Teknik pengolahan citra yang digunakan sebelum proses klasifikasi adalah peningkatan mutu citra dengan
2 Amoeba Mean Filter untuk menghilangkan noise. Metode klasifikasi yang digunakan dalam penelitian tersebut adalah jaringan saraf tiruan propagasi balik dan GLCM sebagai ekstraksi ciri. Rata-rata akurasi yang didapat sebesar 81,1% dengan GLCM 4 arah dan jarak spasial (d) sebesar 1. Fitur ciri yang digunakan adalah korelasi, homogenitas, entropi, kontras dan energi serta menggunakan 19 node tersembunyi. Penelitian ini akan mendiagnosis tingkat keganasan kanker payudara dari keberadaan mikrokalsifikasi pada citra mamografi dengan metode jaringan saraf tiruan propagasi balik (backpropagation) dan gray-level co-occurrence matrix (GLCM) sebagai ekstraksi ciri. Fitur ciri yang digunakan adalah korelasi, entropi, kontras, dan energi. Kemudian praproses citra dilakukan dengan peningkatan kontras menggunakan algoritme Contrast Limited Adaptive Histogram Equalization (CLAHE). Tingkat keganasan kanker akan dibagi menjadi dua kelas, yaitu kanker jinak (benign), kanker ganas (malignant).
Perumusan Masalah Masalah yang dapat dirumuskan dalam penelitian ini adalah bagaimana cara mengklasifikasikan tingkat keganasan kanker berdasarkan ciri tekstur citra mamografi yang terdapat mikrokalsifikasi dan tidak terdapat mikrokalsifikasi.
Tujuan Penelitian Tujuan penelitian ini adalah memodelkan algoritme Gray Level Cooccurrence Matrix dan teknik jaringan saraf tiruan propagasi balik pada citra mamografi untuk mendiagnosis tingkat keganasan kanker.
Manfaat Penelitian Hasil pemodelan jaringan saraf tiruan propagasi balik diharapkan dapat membantu mempercepat proses diagnosis tingkat keganasan kanker payudara.
Ruang Lingkup Penelitian Data yang digunakan pada penelitian ini adalah citra mamografi kanker payudara yang diambil dari Mammography Image Analysis Society (MIAS). Tingkat keganasan kanker hanya dibatasi pada jenis kanker jinak dan ganas. Teknik pengolahan citra pada tahap praproses menggunakan Contrast Limited Adaptive Histogram Equalization (CLAHE) dan Otsu Thresholding untuk segmentasi citra. Teknik ekstraksi ciri yang digunakan adalah gray-level cooccurrence matrix (GLCM). Kemudian citra akan diklasifikasikan menggunakan model jaringan saraf tiruan propagasi balik.
3
TINJAUAN PUSTAKA Kanker Payudara Pertumbuhan sel yang terjadi terus menerus secara tidak normal dan membentuk benjolan disebut tumor (Nurhayati et. al 2010). Perubahan sel-sel menjadi sel kanker terjadi saat tumor menjadi ganas dan menyebar ke sekitar jaringan maupun organ. Kanker payudara merupakan penyakit yang menyerang kelenjar air susu, saluran kelenjar, dan jaringan penunjang payudara. Sel kanker payudara dapat menyebar melalui aliran darah ke seluruh tubuh kemudian berkembang menjadi tumor ganas atau kanker. Mamografi adalah salah satu cara untuk mendeteksi keberadaan kanker dalam pemeriksaan radiologi. Ketepatan mamografi tergantung pada beberapa faktor, diantaranya adalah teknik pengambilan dan kualitas citra yang dihasilkan. Penelitian yang dilakukan oleh Liu (1998) menyatakan bahwa ketidaknormalan struktur dalam citra mamografi dapat dilihat dari ada tidaknya mikrokalsifikasi, batas benjolan, dan sebaran jaringan. Menurut Malagelada (2007) benjolan dapat dibedakan dalam 5 bentuk dasar yaitu oval, round, lobulated, irregular dan architectural distortion. Sedangkan batas tepi dapat dibedakan juga dalam 5 jenis, yaitu: 1. Circumscribed dapat menentukan dengan jelas transisi yang tajam antara luka dan sekitar jaringan 2. Obscured sebagian tertutup oleh jaringan normal 3. Micro-lobulated berbentuk lingkaran yang berombak sepanjang tepi 4. Ill-defined bersifat menyebar 5. Spiculated berupa penyebaran garis tipis. Gambar 1 memperlihatkan ilustrasi bentuk dasar benjolan dan bentuk batas tepi.
Gambar 1 Ilustrasi bentuk dasar benjolan dan batas tepi pada kanker payudara Pada kelainan jinak tanda yang akan muncul pada citra mamografi antara lain batas tepi tegas dan bentuk tumor oval atau round. Sedangkan tanda primer kelainan ganas yang tampak pada mamografi antara lain batas tepi bersifat menyebar, tidak teratur atau berupa penyebaran garis tipis dan adanya mikrokalsifikasi yang spesifik. Gambar 2 adalah contoh citra mamografi yang terindikasi adanya mikrokalsifikasi.
4
Gambar 2 Citra mamografi kanker payudara dengan mikrokalsifikasi
Jaringan Saraf Tiruan Propagasi Balik Jaringan saraf tiruan merupakan suatu teknik mesin pembelajaran berbasis penyimpanan informasi dan daya ingat yang diadaptasi kerja dari jaringan saraf manusia. Konsepnya bila terdapat suatu sinyal tertentu melalui sinapsis secara berulang, maka sinapsis tersebut akan lebih mampu untuk menghantarkan sinyal pada kesempatan berikutnya. Hal ini yang mendasari adanya proses pembelajaran (learning). Jaringan saraf tiruan dikembangkan sebagai suatu generelasasi model matematis dari pemahaman manusia yang berbasis pada asumsi berikut (Fausset 1994): 1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron. 2. Sinyal mengalir diantara neuron melalui penghubung-penghubung. 3. Setiap penghubung memiliki bobot yang akan mempengaruhi sinyal. 4. Setiap neuron menerapkan fungsi aktivasi yang akan menentukan sinyal keluaran (output) terhadap sinyal masukan (input) terbobot yang diberikan. 5. Setiap node menerima satu set input yang dikalikan dengan bobot (weight) yang dianalogikan sebagai kuat lemahnya sinapsis dalam sel biologi. Algoritme propagasi balik merupakan salah satu teknik pelatihan pada jaringan saraf tiruan (JST) yang terdiri atas dua langkah, yaitu perambatan maju dan perambatan mundur. Kedua langkah tersebut dilakukan secara iteratif dengan tujuan merubah nilai bobot dan nilai bias untuk mengurangi perbedaan antara output layer dengan target output. Algoritma ini sangat baik dalam menangani masalah pengenalan pola-pola kompleks dan biasanya digunakan oleh jaringan multilayer. Secara umum arsitektur jaringan saraf tiruan propagasi balik diperlihatkan pada Gambar 3.
5 1
1
v01 v0p v0k v11 v1k
X1
w0n w0j
Z1
v1p
v21
v31 v3p
Input layer
Y1
w2j
Zk
v2k
Xm
w11 w1j w1n
w21 v2k
Xi
w01
Yj
w2n
w31
v3k
Zp Hidden layer
w3j
Yn
w3n
Output layer
Gambar 3 Arsitektur JST backpropagation 1. 2. 3.
4.
Berikut adalah algoritme pelatihan jaringan saraf tiruan propagasi balik: Inisialisasi nilai awal bobot-bobot, angka pembelajaran ( ), toleransi galat atau error, dan set maksimal epoch. Setiap unit input i , i 1,, n mengirimkan sinyal input ke semua unit pada layer berikutnya (hidden layer) Setiap unit hidden j, j 1,, p sinyal output lapisan hidden dihitung dengan fungsi aktivasi terhadap penjumlahan sinyal-sinyal input bebobot Xi dengan persamaan n j f v0 j i vij i 1 (1) kemudian dikirim ke semua unit pada lapisan berikutnya. Setiap unit output k , k 1,, m dihitung sinyal outputnya dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal-sinyal input berbobot Zi dengan persamaan p k f w0 k j w jk i 1 (2)
5. Setiap unit output k , k 1,, m menerima pola target Tk yang bersesuaian dengan pola input dan dihitung informasi kesalahan lapisan output dengan persamaan p k k k f ' w0k j w jk i 1 (3) Kemudian dihitung koreksi nilai bobot yang akan digunakan untuk memperbaharui nilai bobot wjk menggunakan persamaan w jk k j (4) Hitung koreksi nilai bias yang kemudian akan digunakan untuk memperbaharui nilai w0k dengan persamaan
6
w0k k
(5)
kemudian nilai di kirim ke unit pada lapisan sebelumnya. 6. Untuk setiap unit hidden j, j 1,, p hitung nilai delta masukan yang berasal dari unit lapisan berikutnya n j k w jk f ' v0 j X i vij i 1 k 1 (6) Hitung koreksi nilai bobot yang kemudian digunakan untuk memperbaharui nilai vij j X i (7) dan hitung nilai koreksi bias yang digunakan untuk memperbaharui nilai v0 j j (8) 7. Perbaharui nilai bobot dan bias dengan persamaan w jk (new ) w jk (old) w jk dan vij (new ) vij (old) vij (9) 8. Jika kondisi berhenti dan nilai epoch terpenuhi, maka iterasi berhenti.
7
METODE PENELITIAN Tahap Penelitian Penelitian ini akan mengklasifikasi tingkat keganasan kanker payudara dengan memodelkan teknik jaringan saraf tiruan propagasi balik berdasarkan tekstur dari citra mamografi. Untuk menentukan tingkat keganasan kanker perlu diketahui tekstur dari citra mamografi yang diamati. Citra akan akan dihitung matriks kookurensinya untuk mendapatkan nilai ciri GLCM. Fitur ciri yang diperoleh akan digunakan sebagai input dalam pelatihan JST. Hasil pelatihan kemudian akan menentukan tingkat keganasan kanker dan membuktikan kemampuan model JST dalam mengklasifikasikan citra. Tingkat keganasan kanker dikelompokan menjadi dua kategori, yaitu kanker jinak dan kanker ganas. Tahap penelitian yang dilakukan dapat dilihat pada Gambar 4. Mulai
Data Citra
Praproses
Ekstraksi Ciri
Data Latih
Pelatihan JST
Data Uji
Model JST
Pengujian
Evaluasi
Selesai
Gambar 4 Metode penelitian Data Citra Data yang digunakan adalah citra mamografi payudara yang diperoleh dari basis data Mammographic Image Analysis Society (MIAS) dan dapat diunduh di http://peipa.essex.ac.uk/info/mias.html. Citra mamografi berupa payudara wanita
8 yang diambil dari posisi kanan atau kiri dengan dimensi 1024 x 1024 piksel dan disimpan dalam format PGM (Portable Gray Map). Pengambilan citra dilakukan hanya pada payudara yang terindikasi adanya kanker jinak dan ganas. Dalam penelitian ini citra ya ng digunakan berjumlah 60 yang terdiri dari 30 citra kanker jinak dan 30 citra kanker ganas dengan kelainan berupa mikrokalsifikasi, architectural distortion, circumscribed, ill-defined, dan spiculated. Contoh citra mamografi yang akan diamati dapat dilihat pada Gambar 5.
(a) (b) (c) Gambar 5 Citra mamografi kanker payudara, (a) kanker ganas dengan mikrokalsifikasi, (b) kanker ganas dengan circumscribed, (c) kanker ganas dengan speculated. Praproses Tahap ini merupakan tahap awal untuk mempersiapkan citra sebelum dilakukan proses ekstraksi ciri. Pada tahap ini dilakukan flip horizontal, penghilangan label, meningkatkan kontras citra, dan segmentasi. Refleksi secara horizontal dilakukan untuk menyeragamkan arah pandang citra dengan posisi payudara menghadap kiri. Penghilangan label dilakukan secara manual melalui aplikasi pengolah citra. Tujuannya agar label yang ada pada citra tidak ikut terambil sebagai ciri karena akan mempengaruhi hasil ekstraksi ciri. Setelah penghilangan label dilakukan peningkatkan kontras citra dengan algoritme Contrast Limited Adaptive Histogram Equaliztion (CLAHE) yang bertujuan untuk memperbaiki karakteristik citra agar citra kanker semakin terlihat tegas. CLAHE adalah teknik peningkatan mutu citra dengan cara meningkatkan kontras citra dan merupakan pengembangan dari Adaptive Histogram Equalization (AHE). CLAHE mengurangi masalah noise yang timbul pada AHE dengan memberikan batasan nilai kontras pada area yang homogen (Gonzales et. al 2009). CLAHE tidak hanya meningkatkan kontras citra tetapi juga menghasilkan ekualisasi atau pemerataan histogram yang lebih baik. Konsep CLAHE adalah memotong histogram pada bagian yang memiliki frekuensi intensitas tertinggi dengan ketinggian tertentu (clip limit), kemudian frekuensi intensitas tersebut disebar secara seragam ke seluruh nilai intensitas yang ada dalam rentang (Gambar 6). Metode CLAHE akan menghasilkan kontras citra yang lebih baik. Gambar 7 merupakan ilustrasi citra yang telah dilakukan peningkatan kontras dengan CLAHE.
9
Gambar 7 Metode Contrast Limited Adaptive Histogram Equalization
(a) (b) Gambar 6 Ilustrasi CLAHE. (a) Citra asli. (b) Citra setelah dilakukan peningkatan kontras dengan CLAHE. Tahap praproses yang terakhir adalah segmentasi citra. Segmentasi bertujuan untuk memisahkan area yang diduga sebagai kanker. Teknik segmentasi yang digunakan adalah Otsu’s N Thresholding. Segmentasi Otsu adalah metode thresholding global (menyeluruh) yang sangat optimum untuk citra keabuan (Otsu 1979). Otsu’s N Thresholding memecahkan masalah keragaman atau variasi antar citra dengan menggunakan nilai threshold yang berbeda-beda setiap citra tergantung dari tingkat keabuan citra tersebut. Karena jika setiap citra menggunakan nilai threshold yang sama, maka segmentasi yang dihasilkan kurang baik. Konsep segmentasi Otsu adalah membagi suatu citra ke dalam beberapa cluster yang telah ditentukan. Kemudian dari beberapa cluster tersebut akan didapatkan Region Of Interest (ROI) dari suatu citra. Gambar 7 menunjukkan ilustrasi citra hasil segmentasi Otsu.
(a) (b) (c) (d) Gambar 8 Ilustrasi Segmentasi Otsu. (a) Citra asli. (b) Citra dengan jumlah cluster n = 1. (c) Citra dengan jumlah cluster n = 2. (d) Citra dengan jumlah cluster n = 3.
Ekstraksi Ciri Ekstraksi ciri adalah proses untuk mendapatkan informasi penting dari suatu citra. Ekstraksi ciri yang digunakan dalam penelitian ini adalah metode Gray level co-occurrence matrix (GLCM). GLCM atau matriks ko-okurensi aras keabuan
10 adalah salah satu metode statistik yang dapat digunakan untuk analisis tekstur. Matriks ko-okurensi merupakan matriks yang menggambarkan hubungan ketetanggaan antar piksel dalam suatu citra dengan arah dan jarak tertentu. Suatu piksel bertetangga yang memiliki jarak diantara keduanya dapat terletak di berbagai arah yang berlainan baik horizontal, vertikal, maupun diagonal (Gambar 9). Misal P0 adalah matriks ko-okurensi antara dua piksel bertetangga dengan arah 00 horizontal ke kanan. Kemudian untuk P45, P90, dan P135 masing-masing dapat dinyatakan sebagai matriks kookurensi dengan arah 450 atau diagonal ke kanan, 900 atau vertikal ke atas, dan 1350 atau diagonal ke kiri. 900
0
135
450
(i-1, j-1)
(i, j-1)
(i+1, j-1)
(i-1, j)
(i, j)
(i+1, j)
0 0 0
(i-1, j+1) (i, j+1) (i+1, j-+)
Gambar 9 Matriks Ko-okurensi Elemen matriks ko-okurensi dapat digunakan untuk menghitung ukuran komponen tekstur citra. Menurut Haralick et. al (1973) dalam matriks ko-okurensi terdapat 14 fitur yang dapat diperoleh dari suatu citra. Namun Listia dan Harjoko (2014) menggunakan 5 fitur ciri sebagai pembeda antara citra mamografi kelas tertentu dengan kelas lainnya. Kelima fitur tersebut adalah angular second moment (ASM) atau energy, contrast, correlation, entropy, dan inverse difference moment atau homogeneity. Dalam penelitian ini fitur ciri yang digunakan hanya 4, antara lain: 1. Angular second moment (ASM) atau energy adalah ukuran konsentrasi pasangan matriks keabuan. ASM didapatkan dengan menjumlahkan nilai pangkat dari setiap elemen dalam GLCM. 𝑓1 = 𝑖 𝑗 𝑃(𝑖, 𝑗) 2 (10) 2. Contrast adalah ukuran sebaran gelap dan terang atau variasi derajat keabuan dari suatu citra. Jika kontras bernilai 0, maka sebaran gelap dan terang suatu citra akan semakin mirip. 𝑓2 =
𝑁𝑔−1 𝑁=0
𝑛2
𝑁𝑔 𝑖=1 𝑖−𝑗 =𝑛
2 𝑁𝑔 𝑃(𝑖, 𝑗) 𝑗 =1
(11)
3. Correlation adalah ukuran keterkaitan antara suatu piksel dengan piksel tetangganya. Jika correlation menunjukkan nilai negatif, maka antara piksel satu dengan piksel lainnya tidak saling terkait.
11
𝑓3 =
𝑖
𝑗 𝑖𝑗 𝑝 𝑖,𝑗 −𝜇 𝑥 𝜇 𝑦 𝜎𝑥 𝜎𝑦
(12)
dengan µx: nilai rata-rata elemen kolom pada matriks 𝑃(𝑖, 𝑗) µy: nilai rata-rata elemen baris pada matriks 𝑃(𝑖, 𝑗) 𝜎x: nilai standar deviasi elemen kolom pada matriks 𝑃(𝑖, 𝑗) 𝜎y: nilai standar deviasi elemen baris pada matriks 𝑃(𝑖, 𝑗) 4. Entropy adalah ukuran keberagaman instensitas piksel suatu citra. Semakin besar nilai entropy, maka semakin beragam pula intensitas piksel suatu citra. 𝑓4 = 𝑖 𝑗 𝑃(𝑖, 𝑗) log(𝑃 𝑖, 𝑗 ) (13) Fitur ciri inverse difference moment tidak digunakan karena pada tahap praproses citra telah dilakukan peningkatan kontras. Batas terang gelap semakin jelas dan antar piksel dalam citra tidak lagi homogen sehingga fitur tersebut tidak dapat digunakan sebagai ciri. Masing-masing citra diekstraksi dengan arah 00, 450, 900, 1350 dan jarak spasial sebesar 1. Hasil dari ekstraksi ciri GLCM adalah matriks ko-okurensi dengan level 8 intensitas piksel (Gambar 10). Kemudian matriks ini dihitung sedemikian untuk mendapatkan fitur ciri yang merepresentasikan tekstur dari citra yang diamati. Setelah nilai keempat fitur ciri dihasilkan, nilai-nilai tersebut digunakan sebagai data masukan pada proses jaringan saraf tiruan agar dikenali pola inputannya dan dapat dilakukan indentifikasi tingkat keganasan kankernya.
Gambar 10 Ilustrasi matriks ko-okurensi citra dengan level 8 keabuan dan hasil GLCM pada jarak 1 arah 0°. Pelatihan JST Matriks citra hasil ekstrasi ciri pada tahap ini dibagi menjadi 2 bagian, yaitu data latih dan data uji. Proses pembagian data untuk validasi ini menggunakan metode k-fold cross validation. K-fold cross validation adalah salah satu teknik menilai keakuratan sebuah model dengan membagi dataset menjadi sejumlah partisi secara acak atau disebut Fold (Kohavi 1995). Misal sebuah dataset P dibagi ke dalam sejumlah k partisi (Fold) P1, P2, …, Pk. Setelah dataset P terbagi selanjutnya dilakukan pengujian model terhadap data uji dalam beberapa kali eksperimen. Masing-masing k partisi eksperimen terbagi atas sejumlah data latih dan data uji.
12 Algoritme jaringan saraf tiruan yang digunakan pada tahap klasifikasi adalah propagasi balik. Proses pelatihan dilakukan beberapa kali sampai menemukan galat terkecil. Tabel 1 memaparkan parameter arsitektur JST yang akan digunakan pada proses pelatihan. Tabel 1 Parameter JST propagasi balik Karakteristik Arsitektur Neuron input Neuron Hidden layer Neuron output Fungsi aktivasi Angka pembelajaran ( )
Spesifikasi 1 hidden layer 4 4 dan 8 3 tansig dan logsig 10-3
Toleransi galat
10-1
Maksimum epoch
100
Arsitektur JST yang digunakan adalah 1 hidden layer dengan jumlah neuron hidden layer yang akan dicobakan adalah 4 dan 8. Selain itu 4 buah neuron input bernilai bobot masing-masing fitur ciri dan 2 buah neuron ouput bernilai bobot akhir yang telah diperbaharui selama proses iterasi. Fungsi aktivasi adalah fungsi yang menentukan level aktivasi, yaitu keadaan internal sebuah neuron dalam jaringan. Fungsi aktivasi merupakan fungsi matematis yang digunakan untuk membatasi dan menentukan jangkauan output suatu neuron. Pada jaringan saraf tiruan propagasi balik biasanya fungsi aktivasi yang digunakan adalah fungsi tangent-sigmoid atau tansig dan logistic-sigmoid atau logsig (Fausset 1994). Bentuk grafik untuk masing-masing fungsi dapat dilihat pada Gambar 11.
Gambar 11 Grafik fungsi tangent-sigmoid dan logistic-sigmoid Fungsi tangent-sigmoid nilai outputnya memiliki rentang [-1,1], berikut adalah persamaannya 1 exp( 2 x) f ( x) (14) 1 exp( 2 x) dengan turunannya f ' ( x) [1 f ( x)][1 f ( x)] (15)
13 Sedangkan fungsi logistic-sigmoid nilai outputnya memiliki rentang [0,1], berikut adalah persamaannya 1 f ( x) 1 exp( x) (16) dengan turunannya
f ' ( x) f ( x)[1 f ( x)]
(17)
Toleransi galat adalah nilai kesalalan (error) dalam proses klasifikasi citra yang dapat ditoleransi oleh model JST. Sedangkan maksimum epoch adalah batas maksimal iterasi yang dilakukan untuk memperbaharui bobot.
Pengujian Tahap ini bertujuan untuk melakukan proses pengujian data uji terhadap model arsitektur yang dihasilkan saat pelatihan. Pengujian akan menghasilkan kelas prediksi yang kemudian digunakan untuk evaluasi kinerja jaringan. Proses analisis dilakukan dengan pengamatan terhadap parameter JST yang digunakan. Hasil pengujian dimasukkan ke dalam bentuk confusion matrix untuk membandingkan kelas aktual dari dari data uji dengan kelas hasil prediksi. Tabel 2 menunjukkan confusion matrix yang akan digunakan untuk pengujian. Tabel 2 Confusion Matrix Kelas Aktual Kanker Jinak Kanker Ganas
Kelas Prediksi Kanker Ganas Kanker Jinak FN TP TN FP
TP, FN, FP, dan TN didefinisikan sebagai berikut. TP (True Positive) : Citra kanker jinak yang diprediksi sebagai kanker jinak. FN (False Negative) : Citra kanker jinak yang diprediksi sebagai kanker ganas. FP (False Positive) : Citra kanker ganas yang diprediksi sebagai kanker jinak. TN (True Negative) : Citra kanker ganas yang diprediksi sebagai kanker ganas. Evaluasi Tahap selanjutnya adalah evaluasi kinerja klasifikasi. Agar dapat dengan mudah dipahami dan dianalisis hasil akurasi dibuat dalam bentuk grafik. Evaluasi dilakukan untuk mendapatkan hasil akurasi model klasifikasi. Untuk menghitung akurasi klasifikasi dilakukan dengan menggunakan persamaan (Manning et. al 2009) 𝑇𝑃 + 𝑇𝑁 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100% 𝑇𝑃 + 𝐹𝑁 + 𝐹𝑃 + 𝑇𝑁
14 Perangkat Keras dan Perangkat Lunak Perangkat lunak yang digunakan dalam penelitian ini antara lain sistem operasi Windows® 7 Ultimate, Ms. Office Word 2007, Ms. Office Excel 2007, Matlab R2008b, GIMP 2.8.10. Sedangkan untuk perangkat keras yang digunakan adalah AMD E-450 APU processor, Radeon HD Graphics 1.65 GHz, memori 2GB.
HASIL DAN PEMBAHASAN Praproses Citra Praproses bertujuan untuk memperbaiki kualitas citra agar didapatkan ciri yang baik dari citra tersebut. Sebelum label pada citra dihilangkan semua citra dilakukan flip horizontal untuk menyeragamkan posisi citra. Kemudian label citra dihilangkan secara manualmenggunakan aplikasi pengolah citra. Hasil penghilangan label dapat dilihat pada Gambar 12.
Gambar 12 Hasil penghilangan label citra 1024 x 1024 Setelah proses flipping dan penghilangan label dilakukan peningkatan kontras dengan algoritme CLAHE untuk memperbaiki karakteristik citra dan menghilangkan noise. Warna hitam dan putih antara objek kanker dan bukan objek semakin dipertegas perbedaannya agar mikrokalsifikasi dan sebaran jaringan semakin terlihat. Gambar 13 menunjukkan hasil peningkatan kontras dari citra asli.
Gambar 13 Hasil peningkatan kontras citra dengan CLAHE
15
Langkah selanjutnya adalah memisahkan antara objek kanker dan bukan objek kanker menggunakan segmentasi Otsu dengan n = 4 (Nampira 2012). Citra dibagi ke dalam 4 cluster warna dan warna putih umumnya adalah area yang diduga sebagai kanker. Setelah Region of Interest (ROI) didapatkan, area yang bukan kanker dihitamkan dan area putih dikembalikan ke warna semula saat sebelum dilakukan segmentasi. Area kanker tersebut yang akan diekstraksi ciri. Gambar 14 menunjukkan hasil dari segmentasi Otsu.
Gambar 14 Hasil segmentasi Otsu dengan n = 4
Ekstraksi Ciri GLCM Tahap ekstraksi ciri bertujuan untuk mendapatkan informasi penting dari citra mamografi. GLCM menghasilkan matriks ko-okurensi level 8 intensitas piksel yang didapat dengan menghitung jumlah kemunculan piksel dalam suatu citra dengan jarak ketetanggaan bernilai 1 dan sudut 00, 450, 900, 1350. Matriks ko-okurensi 8 x 8 tersebut selanjutnya dimasukkan ke dalam formula untuk mendapatkan 4 fitur ciri yang merepresentasikan tekstur dari citra mamografi yang diamati. Hasil ekstraksi ciri membentuk matriks dengan dimensi 60 x 4, nilai 60 menunjukkan jumlah citra dan 4 menunjukkan keempat fitur ciri dari masingmasing citra. Keempat nilai fitur ciri yang dihasilkan dijadikan input untuk pelatihan model JST. Tabel 3 adalah salah satu hasil ekstraksi ciri citra mamografi dengan GLCM. Tabel 3 Hasil ekstraksi ciri salah satu citra kanker jinak Sudut (0) 00 450 900 1350
Angular Second Moment 0.842709 0.965157 0.917603 1.307592
Contrast
Correlation
Entropy
0.88259 0.865857 0.8726 0.818244
0.678555 0.673186 0.674089 0.660294
0.79435 0.816161 0.807015 0.862393
16 Pelatihan dan Pengujian Model JST Citra yang berjumlah 60 dengan masing-masing 30 citra kanker jinak dan 30 citra kanker ganas dibagi ke dalam data latih dan data uji. Proses pembagian data menggunakan metode k-fold cross validation dengan k = 5. Artinya terdapat 5 partisi dan setiap partisi dari 60 citra tersebut 12 citra menjadi data uji dan sisanya dijadikan sebagai data latih. Fold 1 menggunakan 48 data latih yang terdiri dari partisi P1, P2, P3, dan P4, sedangkan partisi ke 5 yang terdiri dari 12 citra dijadikan sebagai data uji. Percobaan ini terus dilakukan hingga setiap partisi pernah dijadikan sebagai data uji. Arsitektur jaringan yang dikembangkan selama proses pelatihan menggunakan parameter-parameter JST yang telah ditentukan sebelumnya. Jumlah neuron hidden layer yang dicobakan adalah 4 dan 8. Proses pelatihan dilakukan beberapa kali sampai menemukan galat terkecil. Tujuannya untuk mendapatkan model JST yang baik. Setiap arsitektur dicoba sebanyak 5 kali sehingga menghasilkan 10 percobaan (5 ulangan dikali 2 arsitektur JST) untuk setiap sudut matriks kookurensi. Setiap percobaan dihitung akurasinya dengan menggunakan confusion matrix yang terdiri dari jumlah baris data uji yang diprediksi benar atau tidak oleh model klasifikasi. Kemudian hasilnya akan diambil akurasi terbaik dari setiap neuron. Berdasarkan hasil percobaan tidak semua citra kanker dapat terklasifikasi dengan benar sesuai dengan jenis tingkatan kanker yang ada. Tabel 4 adalah hasil akurasi menggunakan 4 dan 8 hidden neuron. Akurasi terbaik diperoleh pada pembagian data Fold ke 1 dengan sudut 00 dan jumlah neuron 4 sebesar 92% dengan rata-rata 60%. Sedangkan rata-rata akurasi terbesar diperoleh pada sudut 900 dan jumlah neuron 4 yaitu sebesar 63.33%. Tabel 4 Akurasi rata-rata setiap neuron hidden layer dengan sudut 4 arah (%) Sudut 00 450 900 1350
Jumlah neuron 4 8 4 8 4 8 4 8
1 92 67 58 58 42 58 58 50
2 50 50 50 58 67 67 50 50
K 3 67 50 67 50 58 42 50 75
4 33 50 58 50 58 58 58 67
5 58 50 58 58 92 83 50 50
Ratarata 60 53.33 58.33 55 63.33 61.67 53.33 58.33
Berdasarkan hasil analisis tabel di atas dapat dikatakan bahwa hasil akurasi rata-rata yang sangat kecil disebabkan oleh banyak faktor. Faktor pertama adalah algoritme segmentasi tidak dapat menangkap bentuk benjolan dan batas tepi dengan baik. Bentuk kanker yang seharusnya bulat atau round berubah menjadi tidak beraturan setelah dilakukan segmentasi. Sehingga citra yang seharusnya masuk dalam kelas kanker jinak akan salah klasifikasi ke dalam kanker ganas.
17 Gambar 15 menunjukkan hasil segmentasi yang mengakibatkan perubahan bentuk kanker.
Gambar 15
Hasil segmentasi yang mengakibatkan perubahan bentuk kanker.
Kemudian faktor yang kedua adalah kesalahan segmentasi yang terjadi apabila citra yang diamati memiliki tulang dada yang ikut ter-scan dan jaringan payudara yang ikut timbul akibat peningkatan kontras. Saat dilakukan segmentasi tulang dada dan jaringan juga akan terdeteksi sebagai area kanker (Gambar 16). Tulang dada tersebut terdapat pada kelas kanker jinak dan ganas, sehingga kesalahan segmentasi ini akan berpengaruh saat ekstraksi ciri karena tulang dada dan jaringan tersebut akan turut dijadikan sebagai ciri.
Gambar 16
(a) (b) (a) Letak indikasi kanker, (b) Kesalahan segmentasi tulang dada dan jaringan payudara sebagai area kanker.
Kesalahan-kesalahan ini akan mengurangi akurasi kinerja model jaringan saraf tiruan propagasi balik. Oleh karena itu perbedaan tingkat keganasan kanker dengan menggunakan peningkatan kontras dan segmentasi Otsu masih belum cukup mengenali bentuk kanker dari kedua kelas citra.
18
SIMPULAN DAN SARAN Simpulan Penelitian ini menganalisis kinerja model jaringan saraf tiruan propagasi balik untuk mendiagnosis tingkat keganasan kanker payudara. Berdasarkan hasil yang diperoleh dapat disimpulkan bahwa 1. Metode jaringan saraf tiruan propagasi balik dapat digunakan untuk membedakan kanker jinak dan kanker ganas. 2. Klasifikasi menggunakan metode ekstraksi ciri GLCM 4 arah dan jarak 1 memiliki akurasi terbaik pada sudut 900 dengan rata-rata akurasi 63.33% dan jumlah neuron 4. 3. Kesalahan-kesalahan deteksi akibat peningkatan kontras dan segmentasi Otsu pada citra mamografi akan mengurangi akurasi, sehingga model jaringan saraf tiruan propagasi balik belum cukup mengenali bentuk kanker dari kedua kelas.
Saran Saran untuk penelitian selanjutnya antara lain: 1. Gunakan algoritme morfologi agar bentuk kanker dapat terlihat jelas sehingga perbedaan kanker jinak dan kanker ganas dapat dikenali lebih baik. 2. Gunakan teknik image enhancement lainnya agar tulang dada dan jaringan payudara tidak ikut terdeteksi sebagai area kanker.
DAFTAR PUSTAKA Fausset L. 1994. Fundamental of Neural Network: Architecture, Algorithms, and Application. New Jersey (US): Prentice-Hall. Gonzalez RC, Woods RE. 2003. Digital Image Processing. 2nd Edition. Singapore (SG): Pearson Education Pte. Ltd. Gonzalez RC, Woods RE, Eddins SL. 2009. Digital Image Processing Using MATLAB. 2nd Edition. USA (US): Gatesmark Publishing. Haralick RM, Shanmugam K, Dinstein IH. 1973. Textural Feature for Image Classification. IEEE Transac, SMC-3:610-621. Kohavi R. 1995. A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection. Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence. San Fransisco (US): Morgan Kaufmann. 2(12): 1137–1143. Listia R, Harjoko A. 2014. Klasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM). Indonesian Journal of Computing and Cybernetics Systems (IJCCS). Yogyakarta (ID): Universitas Gajah Mada. 8(1): 59-68.
19 Liu S, Babbs CF, Delp EJ. 1998. Normal Mammogram Analysis and Recognition. International Conference on Image Processing 98. Oktober 4-7; Chicago, IL (US): IEEE. hlm 727-731. Malagelada, AOI. 2007. Automatic Mass Segmentation in Mammographics Image [Disertasi]. Girona (ES): Universitat de Girona. Manning CD, Raghavan P, Schütze H. 2009. Introduction to Information Retrieval. Cambridge University press [Internet]. [diunduh pada 2014 Juni 27]. New York (US): Cambridge University press . Tersedia pada : http://nlp.stanford.edu/IRbook/pdf/irbookprint.pdf. Mohanty AK, Beberta S, Lenka SK. 2011. Classifying Benign and Malignant Mass Using GLCM and GLRLM Based Texture Features from Mammogram. International Journal of Engineering Research and Applications (IJERA) [internet]. 1(3): 687-693; [diunduh 2014 Juli 16]. Tersedia pada: http://www.ijera.com/papers/vol 1 issue 3/ZQ013687693.pdf Nampira YF. 2012. Aplikasi Deteksi Mikrokalsifikasi dan Klasifikasi Citra Mammogram Berbasis Tekstur Sebagai Pendukung Diagnosis Kanker Payudara [Skripsi]. Depok (ID): Universitas Gunadarma. Nurhayati T, Mutiara DKN, Destyningtias B. 2010. Identifikasi Kanker Payudara Dengan Thermal. Prosiding Seminar Nasional Sains dan Teknologi [internet]. 1(1): F75-F79; [diunduh 2014 Mei 14]. Tersedia pada: http://publikasiilmiah.unwahas.ac.id/index.php/PROSIDING_SNST_FT/article /viewFile/195/418 Otsu, N., "A Threshold Selection Method from Gray-Level Histograms," IEEE Transactions on Systems, Man, and Cybernetics, Vol. 9, No. 1, 1979, pp. 62-66. Rahbar G, Sie AC, Hansen GC, Prince JS, Melany ML, Reynolds HE, Jackson VP, Sayre JW, Basset LW. 1999. Benign Versus Malignant Solid Breast Masses: US Differentiation. Radiology. 213: 889-894. [WHO] World Health Organization. 2013. Jumlah kematian akibat kanker di dunia meningkat [internet]. [diakses 2014 April 25]. Tersedia pada: http://health.liputan6.com/read/776217/who-jumlah-kematian-akibat-kankerdi-dunia-meningkat
20
RIWAYAT HIDUP Resti Gustianingsih dilahirkan di Bontang pada tanggal 6 Desember 1990 dari pasangan Wahidin dan Mimi Sumiarsih. Penulis adalah anak kedua dari empat bersaudara. Tahun 2009, penulis lulus dari SMA Negeri 5 Bogor dan tahun 2012 penulis lulus sebagai sarjana muda Ahli madya jurusan Manajemen Informatika di Direktorat Program Diploma Institut Pertanian Bogor. Penulis melanjutkan studi sarjana tahun 2012 program Alih Jenis jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Selama masa studi sarjana, penulis pernah bekerja sebagai asisten dosen di Direktorat Program Diploma Institut Pertanian Bogor sejak tahun 2012 hingga awal tahun 2014.
