ABSTRAKSI: Kanker payudara adalah jenis kanker yang menyebabkan kematian terbesar pada wanita, setelah kanker rahim. Salah satu cara pendeteksian kanker payudara adalah melalui pemeriksaan mammografi. Mammogram adalah gambar yang dihasilkan dari mammografi. Pada mammogram, adanya pertumbuhan sel kanker antara lain ditandai dengan massa dan mikrokalsifikasi.
Pengolahan citra digital memberikan solusi dalam membantu mempermudah para radiolog mendiagnosa mammogram menggunakan komputer. Tugas akhir ini bertujuan untuk menghasilkan suatu alat bantu untuk mendiagnosa mammogram dan mengklasifikasikan tipe kelainan payudara ke dalam kelas jinak (benigna) dan ganas (maligna), dan menganalisa performansi filter wavelet dari keluarga Symlet.
Secara umum, sistem pendeteksian kanker payudara ini terdiri dari dua bagian utama, yaitu: pengolahan citra menggunakan analisa tekstur dan klasifikasi menggunakan jaringan saraf tiruan jenis propagasi balik (JST-BP). Ekstraksi ciri menggunakan transformasi wavelet dengan filter Symlet untuk memperoleh detil tepian sel kanker yang menempati frekuensi tinggi pada citra. Untuk mendapatkan vektor ciri digunakan pendekatan statistik.
Penelitian serupa sudah pernah dilakukan, yaitu dengan menggunakan metode jarak euclidean dengan akurasi mencapai 70% dan dengan ekstraksi menggunakan filter Coiflet 5 dan JST-BP dengan akurasi 87.5%. Dalam tugas akhir ini, dibandingkan performansi beberapa filter Symlet sebagai pengekstraksi ciri. Hasil akurasi terbaik dengan menggunakan filter Symlet 8 adalah 100% untuk citra latih dan 86.67% untuk citra uji.Kata Kunci : ABSTRACT: Breast cancer is the second most lethal cancer for women. Mammography is one of some alternatives to examine it, while mammogram is the image produced by mammography. In mammogram, the existance of cancer is showed by mass and microcalsification.
The using of digital image processing helps the radiologs to diagnose mammogram based on computer. This project aims to produce a tool to diagnose and classify type of breast cancer automaticaly into benign or malign, besides to analyze the performance of wavelet filter from Symlet family.
Generally, the system of breast cancer detection consists of two main parts, image processing using texture anlysis and classification using back-propagation neural network. Symlet filter is used to extract the feature of edge details which are located at high frequency subband in image. Statistical approach is used to get the feature vector as the input of neural network.
Previous research that applied the Euclidean method resulted in 70% of accuracy, while others that tried to apply the Coiflet 5 method with a BP neural network resulted 87.5% of accuracy. As a comparison, this project, which is applying some Symlet filters as its feature extractor. The best accuracy is reached by using Symlet 8. The accuracy is 100% for trainning data set and 86.67% for testing data set.Keyword: