ABSTRAKSI: Kanker payudara merupakan kanker yang menempati tempat ke dua terbanyak setelah kanker leher rahim di Indonesia. Dengan mammografi, deteksi dini kanker payudara dapat dikenali. Mammogram adalah gambar yang diperoleh dari pemeriksaan mammografi dengan massa dan mikrokalsifikasi sebagai tanda adanya pertumbuhan sel kanker. Pengolahan citra digital memberikan solusi dalam membantu para radiolog mendiagnosa mammogram berbasis software.
Tugas akhir ini bertujuan untuk menghasilkan suatu alat bantu untuk mendiagnosa citra mammogram dan mengklasifikasikan tipe kelainan kanker payudara ke dalam kelas normal, jinak, dan ganas, serta menganalisa performansi pendekatan statistik dan filter Gabor wavelet. Secara umum, sistem pendeteksian kelainan kanker payudara ini terdiri dari dua bagian utama, yaitu: ekstraksi ciri menggunakan ciri statistik dan filter Gabor wavelet, dan klasifikasi ciri menggunakan jaringan saraf tiruan Learning Vector Quantization (LVQ). Pada preprocessing, dari citra mammogram akan didapatkan sub-citra mammogram menggunakan operasi morfologi. Hasil sub-citra yang berupa daerah global (payudara) dan daerah lokal (massa atau mikrokalsifikasi) ini kemudian dihitung dengan pendekatan statistik dan filter Gabor wavelet sehingga didapatkan feature-feature tertentu. Feature-feature yang diperoleh inilah yang kemudian dikenali dengan menggunakan JST LVQ.
Penelitian serupa sudah pernah dilakukan, yaitu dengan menggunakan metode jarak euclidean dengan akurasi mencapai 70%, dengan filter Coiflet 5 dan JST-BP dengan akurasi 87.5%, dan dengan filter Symlet 8 dan JST-BP dengan akurasi mencapai 86.67%. Dalam tugas akhir ini, dibandingkan performansi pendekatan statistik dan filter Gabor wavelet sebagai pengekstraksi ciri. Hasil akurasi terbaik menggunakan filter Gabor wavelet dengan 24 variasi ciri dan menggunakan kategori ciri gabungan diperoleh tingkat akurasi pendeteksian kelainan kanker payudara adalah 100% untuk data latih dan 70% untuk data uji.
Kata Kunci : Kanker payudara, mammogram, pendekatan statistik, filter GaborABSTRACT: Breast cancer is the second most lethal cancer for women in Indonesia. The goal of mammography is to provide early detection of breast cancer. Mammogram is the image produced by mammography which is the existance of cancer is showed by mass and micro-calcification. The using of digital image processing helps the radiologs to diagnose mammogram based on software.
This project aims to produce a tool to diagnose mammogram and classify breast cancer into normal, benign, or malignant type of class, besides to analyze performance of statistical feature and Gabor wavelet filter. Generally, the system of breast cancer detection consists of two main parts, i.e. feature extraction using statistical approach and filter Gabor wavelet, and feature classification using Learning Vector Quantization (LVQ) neural network. In preprocessing, from mammogram, sub-image of mammogram is produced using morphology operation. Thus, result of sub-image of mammogram, which are global region (breast) and local region (mass and micro-calcification,) is calculated using statistical approach and Gabor wavelet filter to get unique features. These features are recognized used LVQ neural network.
Previous research that applied the Euclidean method resulted in 70% of accuracy, others that tried to apply the Coiflet 5 method with a BP neural network resulted 87.5% of accuracy, and others that tried to apply the Symlet 8 method with a BP neural network resulted 86.67% of accuracy. This project applying statistical approach and Gabor wavelet filter as a performance comparison. The best accuracy is reached by using Gabor wavelet filter with 24 feature variations and gainedfeature obtained the accuracy of breast cancer detection is 100% for training data and 70% for testing data set.
Keyword: Breast cancer, mammogram, statistical approach, Gabor wavelet