ORBITH VOL. 9 NO.

2 JULI 2013 : 62 – 68

PERBANDINGAN KINERJA EUCLIDEAN DAN MAHALANOBIS

DISTANCE CLASSIFIER UNTUK KLASIFIKASI CITRA MAMOGRAFI

Oleh: Indah Susilawati

Staf Pengajar Program Studi Teknik Informatika Universitas Mercu Buana Yogyakarta
Jl. Wates Km. 10 Yogyakarta Telp. (0274) 6498211, 6498212 Fax. (0274) 6498213

Abstrak

Terdapat beberapa jenis abnormalitas pada jaringan payudara yang dapat diketahui dengan cara
analisis citra rekam medis mamografi. Salah satu jenis abnormalitas tersebut adalah keberadaan
mikrokalsifikasi pada jaringan payudara. Mikrokalsifikasi merupakan timbunan kalsium pada jaringan
dan dapat merupakan gejala awal perubahan ke arah kanker. Berbagai algoritma yang kompleks telah
digunakan oleh para peneliti untuk mengklasifikasikan citra mamografi untuk mengenali keberadaan
mikrokalsifikasi. Algoritma yang sering digunakan misalnya jaringan saraf tiruan, Support Vector
Machine, dan lain-lain. Tujuan utama penelitian ini adalah melakukan pengenalan pola citra normal dan
citra bermikrokalsifikasi pada citra mamografi digital menggunakan pengklasifikasi berdasarkan teori
Bayes, yaitu Euclidean dan Mahalanobis Classifier, kemudian membandingkan kinerja yang diperoleh.
Dalam penelitian ini, pengenalan citra normal dan citra bermikrokalsifikasi pada citra mamografi digital
dirancang sebagai suatu proses klasifikasi dengan 6 input ciri. Proses klasifikasi dilakukan dalam tiga
tahap. Pertama, tahap pra-pengolahan, dan kedua tahap ekstraksi ciri-ciri citra berdasarkan nilai piksel
citra. Ketiga, dilakukan klasifikasi untuk mengelompokkan citra normal dan citra bermikrokalsifikasi.
Penelitian menggunakan total 140 sampel; 100 sampel untuk pelatihan dan 40 sampel untuk pengujian
yang terdiri atas 20 citra normal dan 20 citra bermikrokalsifikasi. Hasil penelitian menunjukkan
bahwa Euclidean Distance Classifier menghasilkan kinerja klasifikasi setinggi 52,5% dan error sebesar
47,5%, sedangkan Mahalanobis Distance Classifier menghasilkan kinerja klasifikasi setinggi 87,5% dan
error sebesar 12,5%; atau dikatakan terjadi peningkatan kinerja dan penurunan tingkat error sebesar
35% saat digunakan Mahalanobis Distance Classifier.
Kata kunci: mamografi, mikrokalsifikasi, Euclidean, Mahalanobis, ciri

1. Pendahuluan perubahan ke arah kanker yang disebut

Mamografi adalah pencitraan menggunakan
sinar X untuk pengujian (examination)
jaringan payudara. Mamografi terutama
digunakan untuk deteksi dan diagnosa
kanker payudara, juga digunakan untuk
keperluan pra-operasi, yaitu untuk
menentukan lokasi yang dicurigai dan
untuk mengarahkan biopsi.
Saat ini mamografi merupakan cara paling
efektif untuk mendeteksi kanker payudara
stadium dini. Hal ini dapat dilakukan baik
untuk pasien yang memiliki gejala-gejala
kanker (symptomatic patient) maupun
untuk skrining bagi wanita-wanita tanpa
gejala kanker (asymptomatic patient).
Kanker payudara dideteksi berdasar empat
tipe tanda-tanda pada citra mamografi, yaitu
: citra mamografi menjadi dua kelas, yaitu
a. karakteristik morfologi massa tumor,
b. keberadaan deposit atau timbunan
kalsium pada jaringan payudara dan
biasanya menjadi tanda-tanda awal
mikrokalsifikasi,
c. distorsi arsitektur dari pola jaringan
normal yang disebabkan oleh kanker,
dan
d. asimetri antara citra payudara kanan
dan kiri.
Berbagai algoritma yang kompleks telah
diguna-kan oleh para peneliti untuk
mengklasifikasikan citra mamografi untuk
mengenali beberapa jenis abnormalitas
yang mungkin terjadi pada jaringan
payudara seperti mikrokalsifikasi, massa,
dan lessi. Algoritma yang sering digunakan
misalnya jaringan saraf tiruan dan Support
Vector Machine.
Pada penelitian ini dilakukan klasifikasi
citra normal dan citra bermikrokalsifikasi
(citra yang mengandung mikrokalsifikasi).
Pengklasifikasi (classifier) yang digunakan
adalah pengklasifikasi berdasar jarak

62
Perbandingan Kinerja Euclidean Dan Mahalanobis Distance Classifie..........Indah Susilawati

minimum yaitu Euclidean dan aras keabuan 8 bit berukuran 1024 x 1024
Mahalanobis Distance Classifier. piksel dengan ukuran piksel 200 mikron.
Euclidean Distance Classifier adalah
pengklasifikasi berdasar jarak euclidean 2.2. Metodologi
minimum dengan beberapa asumsi sebagai Langkah-langkah yang dilakukan dalam
berikut. penelitian ini diperlihatkan dengan diagram
a. Semua kelas mempunyai probabilitas alir pada Gambar 1.
yang sama (equiprobable),
b. Semua data dalam semua kelas Mulai

mempunyai distribusi normal atau

Gaussian, Citra mamografi
c. Semua kelas mempunyai matriks
kovarian yang sama,
d. Matriks kovarian berbentuk matriks Pra-pengolahan
diagonal dan semua elemen
diagonalnya sama besar, yaitu S = σ2 I
Ekstraksi Ciri
dengan I adalah matriks identitas.

Sedangkan Mahalanobis Distance Klasifikasi

Classifier adalah pengklasifikasi berdasar
jarak minimum untuk kondisi dimana
asumsi terakhir pada Euclidean Distance Analisis Hasil dan
Perbandingan
Classifier tidak terpenuhi atau dengan kata
lain matriks kovarian tidak berbentuk
matriks diagonal dan semua elemen
Selesai
diagonalnya tidak sama besar. Asumsi-
asumsi yang digunakan oleh dua Gambar 1. Diagram alir langkah penelitian
pengklasifikasi ini menjadikan algoritma
implementasinya tidak rumit sebagaimana Pada tahap pra-pengolahan dilakukan
pengklasifikasi jenis lain, seperti jaringan cropping citra mamografi untuk
saraf tiruan dan Support Vector Machine. memperoleh sampel citra normal dan
sampel citra bermikrokalsifikasi dengan
Pada penelitian ini akan dibandingkan ukuran sampel 40x40 piksel. Sampling
kinerja Euclidean dan Mahalanobis untuk memperoleh citra normal dilakukan
Distance Classifier dalam dengan mengambil sampel secara acak pada
mengklasifikasikan citra mamografi citra mamografi normal. Sedangkan untuk
menjadi dua kelas, yaitu citra normal dan memperoleh sampel citra
citra bermikrokalsifikasi. Dengan demikian
bermikrokalsifikasi dilakukan dengan
pada akhirnya dapat diketahui jenis
memilih posisi dimana terdapat
pengklasifikasi yang mempunyai kinerja
mikrokalsifikasi sesuai informasi dari basis
yang lebih baik diantara keduanya untuk
data MIAS. Gambar 2 memperlihatkan
selanjutnya dapat digunakan dalam proses
proses cropping untuk memperoleh citra
deteksi mikrokalsifikasi pada citra sampel.
mamografi.
Pada penelitian ini digunakan total 140
sampel yang terdiri atas 70 sampel citra
2. Metode Penelitian mamografi normal (50 sampel untuk
2.1. Bahan Penelitian pelatihan dan 20 sampel untuk pengujian)
Bahan penelitian diperoleh dari basis data dan 70 citra mamografi bermikrokalsifikasi
MIAS (Mammographic Image Analysis (50 sampel untuk pelatihan dan 20 sampel
Society). Citra yang tersedia berupa citra untuk pengujian).

63
ORBITH VOL. 9 NO. 2 JULI 2013 : 62 – 68

Selanjutnya dilakukan ekstraksi ciri dari bermikrokalsifikasi dikelompokkan dalam

semua citra sampel. Ada enam ciri yang kelas 2. Pada penelitian ini digunakan dua
diekstrak yaitu rerata, varians, standar jenis pengklasifikasi berdasarkan jarak
deviasi (std), entropi, beda nilai maksimum minimum, yaitu Euclidean dan
dan minimum piksel (bedaan1), serta beda Mahalanobis Distance Classifier.
nilai maksimum piksel dari reratanya
(bedaan2). Ekstraksi dilakukan Mulai
menggunakan persamaan-persamaan
berikut.
Baca Citra

Vektorisasi

Hitung rerata, varians, std, entropi,

bedaan1, bedaan2

Susun vektor ciri

Selesai

Gambar 3. Diagram alir proses ekstraksi

Gambar 2. Cropping untuk memperoleh ciri
citra sampel
Euclidean dan Mahalanobis Distance
1 (1) Classifier merupakan jenis pengklasifikasi
rerata =
N
∑ u (m, n) yang bekerja berdasar jarak minimum,
1 (2) dengan beberapa asumsi untuk kepentingan
varians =
N
∑ [u (m, n) − rerata]2 penyederhanaan yaitu (1) semua kelas
1 mempunyai probabilitas sama atau
standar deviasi =
N
∑ [u (m, n) − rerata ] 2 (3)
equiprobable, (2) semua data dalam semua
L −1 kelas mempunyai distribusi normal, (3)
entropi = E[− log 2 pu ] = −∑ pu ( x) log 2 pu ( x) (4 semua kelas mempunyai matriks kovarian
x =0

) yang sama, dan (4) matriks kovarian

bedaan1 = max[u (m, n)] − min[u (m, n)] (5)
bedaan2 = max[u (m, n)] − rerata (6)
Dengan u (m,n) adalah nilai piksel citra
pada baris ke-m kolom ke-n, N adalah
jumlah piksel dalam citra yang
bersangkutan, p u (x) adalah probabilitas
kemunculan nilai piksel sama dengan x atau
u(m,n) = x. Gambar 3 memperlihatkan
diagram alir proses ekstraksi ciri.
Pada tahap klasifikasi dilakukan klasifikasi
untuk membedakan citra normal dan citra
bermikrokalsifikasi. Citra normal
dikelompokkan dalam kelas 1 dan citra
berbentuk matriks diagonal dan semua
elemen diagonalnya sama besar, yaitu S =
σ2 I dengan I adalah matriks identitas.
Euclidean Distance Classifier akan
mengklasifikasikan suatu pola x ke dalam
kelas ωi jika
x − mi ≡ ( x − mi ) T ( x − mi ) < x − m j
(7)
untuk ∀i ≠ j
dengan S adalah matriks kovarian dan m i
adalah rerata kelas i.
Jika asumsi terakhir tidak terpenuhi
(matriks kovarian tidak berbentuk matriks

64
Perbandingan Kinerja Euclidean Dan Mahalanobis Distance Classifie..........Indah Susilawati

diagonal dan semua elemen diagonalnya ciri = [rerata varians std entropi bedaan1
tidak sama besar), maka harus digunakan bedaan2]
Mahalanobis Distance Classifier. Suatu
pola x akan dimasukkan ke dalam kelas ωi Untuk tiga sampel citra normal yang
jika diperlihatkan pada Gambar 4 diperoleh
( x − mi ) T S −1 ( x − mi ) < ( x − m j ) T S −1 ( x − m j ) vektor ciri sebagai berikut.
(8)
N 1 = [141 31,2 5,59 4,5 34 20,6]
untuk ∀j ≠ i
N 2 = [220 10,5 3,24 3,67 19 6,4]
Untuk mengetahui matriks kovarian dari N 3 = [89,5 16,6 4,07 4,01 23 10,5]
data, digunakan teknik maximum likelihood
untuk estimasi fungsi PDF. Dengan asumsi Untuk tiga sampel citra bermikrokalsifikasi
bahwa PDF terdistribusi normal dan yang diperlihatkan pada Gambar 5
terdapat N data dengan x i ∈ Rℓ, I = diperoleh vektor ciri sebagai berikut.
1,2,…,N, maka nilai rerata (m) dan matriks
kovarian (S) dapat dicari dengan C 1 = [124 232 15,2 5,84 94 54,6]
1 N
C 2 = [146 195 14,0 5,69 76 42,7]
m ML =
N
∑x
i =1
i
(9)
C 3 = [181 94,2 9,7 5,22 59 37,9]
1 N
S ML =
N
∑ (x
i =1
i − m ML )( xi − m ML ) T (10) Nilai rerata ciri untuk kelas 1 dan kelas 2
diperoleh dari data pelatihan dan
Kinerja yang dicapai oleh masing-masing dinyatakan sebagai matriks M berikut;
pengklasifikasi kemudian akan kolom 1 adalah nilai rerata ciri untuk kelas
dibandingkan. 1 dan kolom 2 adalah nilai rerata ciri untuk
kelas 2.
3. Hasil dan Pembahasan 144,6123 147,6324
351,3899 158,7820
3.1. Hasil Penelitian  
Gambar 4 memperlihatkan hasil pra-  15,6554 11,8479 
M = 
pengolahan berupa sampel citra normal  5,4296 5,3752 
(kelas 1) dan Gambar 5 memperlihatkan  69,84 71,16 
 
sampel citra bermikrokalsifikasi (kelas 2).  31,1877 42,4276 

Rerata ciri masing-masing kelas akan

digunakan sebagai pusat dari kelas yang
bersangkutan. Berdasarkan letak pusat kelas
inilah, Euclidean Distance Classifier akan
Gambar 4. Hasil sampling citra normal
mengklasifikasikan sebuah data baru yaitu
berdasarkan jarak Euclidean terpendek
(minimum). Hasil klasifikasi menggunakan
40 data pengujian menunjukkan kinerja
Euclidean Distance Classifier setinggi 52,5
Gambar 5. Hasil sampling citra % atau kesalahan klasifikasi sebesar
bermikrokalsifikasi 47,5%.

Hasil ekstraksi ciri untuk setiap sampel
citra disusun menjadi vektor ciri (sesuai
diagram alir pada Gambar 3) sebagai
berikut:
Untuk keperluan klasifikasi menggunakan
Mahalanobis Distance Classifier,
dibutuhkan rerata ciri kedua kelas dan
matriks kovarians dari data pelatihan.
Matriks kovarians diperoleh menggunakan

65
ORBITH VOL. 9 NO. 2 JULI 2013 : 62 – 68

teknik maximum likelihood, dan hasilnya mempunyai probabilitas yang sama

dinyatakan dalam matriks S M berikut. (equiprobable) dan mempunyai distribusi
normal, serta semua kelas mempunyai
 0.0147 − 0.0184 − 0.0005 0 − 0.0015 − 0.0012
− 0.0184 1.1595 0.0265 0.0019 0.0810 0.0250  matriks kovarian yang sama. Di samping itu

SM
 − 0.0005 0.0265
= 1.0e + 05
0.0007 0.0001 0.0021 0.0007 

matriks kovarian diasumsikan berupa
 0 0.0019
 − 0.0015 0.0810
0.0001
0.0021
0 0.0002
0.0002 0.0084
0.0001 
0.0034 
matriks diagonal dengan semua elemen

− 0.0012 0.0250 0.0007 0.0001 0.0034

0.0021  diagonal sama besar, yaitu S = σ2 I. Dengan
Mahalanobis Distance Classifier asumsi ini maka Euclidean Distance
melakukan klasifikasi untuk data baru Classifier menganggap bahwa matriks
berdasarkan asumsi yang sama dengan kovarian dari data pelatihan adalah matriks
Euclidean Distance Classifier kecuali S E sebagai berikut:
asumsi yang terakhir. Hasil klasifikasi
2.76e + 04 0 0 0 0 0 
menggunakan 40 data pengujian  0 2.76e + 04 0 0 0 0 
 
menunjukkan kinerja Mahalanobis 
SE = 
0 0 2.76e + 04 0 0 0 

Distance Classifier mencapai 87,5% atau 

0
0
0
0
0
0
2.76e + 04
0
0
2.76e + 04
0
0


kesalahan klasifikasi sebesar 12,5%. 
 0 0 0 0 0

2.76e + 04

3.2 Pembahasan Elemen diagonal pada matriks kovarian S E

Perbandingan kinerja dan error atau adalah nilai varians dari data pelatihan. Jika
kesalahan klasifikasi menggunakan dibandingkan dengan matriks kovarian
Euclidean dan Mahalanobis Distance yang sebenarnya yang diperoleh dari data
Classifier diperlihatkan secara grafis pada pelatihan (yaitu S M ), maka dapat diketahui
Gambar 6. perbedaan yang signifikan antara kenyataan
dan asumsi yang digunakan dalam
Euclidean Distance Classifier. Hal ini dapat
menjelaskan mengapa kinerja klasifikasi
yang dicapai cukup rendah atau error
klasifikasinya tinggi.

Pada saat digunakan Mahalanobis Distance

Classifier, penyederhanaan kondisi hanya
Gambar 6. Perbandingan kinerja dan error dilakukan pada tiga hal yang pertama.
dari Euclidean dan Mahalanobis Distance Asumsi ke-4 pada Euclidean Distance
Classifier Classifier tidak digunakan lagi dalam
algoritma Mahalanobis Distance Classifier,
Euclidean dan Mahalanobis Distance sehingga pada proses klasifikasi harus
Classifier menunjukkan kinerja yang diketahui terlebih dahulu matriks kovarian
berbeda dalam melakukan klasifikasi citra dari data yang digunakan. Dengan kata lain,
mamografi. Peningkatan kinerja sebesar Mahalanobis Distance Classifier
35% diperoleh saat menggunakan mengguna-kan matriks kovarian yang
Mahalanobis Distance Classifier, demikian sesungguhnya dari data pelatihan yaitu
juga diperoleh penurunan 35% untuk matriks S M (bukan menggunakan asumsi
kesalahan atau error klasifikasinya. bahwa matriks kovarian dari data pelatihan
adalah berupa matriks diagonal dengan
Rendahnya kinerja Euclidean Distance semua elemen diagonal sama besar, yaitu S
Classifier dikarenakan oleh = σ2 I, seperti pada algoritma Euclidean
penyederhanaan kondisi melalui asumsi- Distance Classifier). Oleh karena asumsi
asumsi yang cukup banyak yang tercermin atau penyederhanaan kondisi yang lebih
dalam algoritma pengklasifikasi itu sendiri sedikit dibandingkan asumsi yang
yang mengasumsi-kan semua kelas digunakan dalam algoritma Euclidean

66
Perbandingan Kinerja Euclidean Dan Mahalanobis Distance Classifie..........Indah Susilawati
Distance Classifier, maka hal tersebut
berarti bahwa pengklasifikasi Mahalanobis
Distance Classifier ‘melihat’ kondisi data
secara lebih nyata. Hal inilah yang
menjadikan Mahalanobis Distance
Classifier menunjukkan kinerja klasifikasi
yang lebih tinggi dan error klasifikasi yang
lebih rendah dari pada Euclidean Distance
Classifier.
Pada penelitian ini digunakan 100 data
pelatihan dan 40 data pengujian;
penggunaan data pelatihan yang jauh lebih
banyak kemungkinan akan menghasilkan
kinerja yang lebih tinggi dan error yang
lebih rendah baik untuk Euclidean maupun
Mahalanobis Distance Classifier, karena
asumsi pertama dan kedua, yaitu bahwa
semua data dalam semua kelas mempunyai
probabilitas yang sama dan terdistribusi
secara normal, menjadi lebih mendekati
kenyataan.
4. Simpulan dan Saran
4.1. Simpulan
Berdasarkan hasil penelitian dan
pembahasan pada bab sebelumnya, dapat
ditarik beberapa kesimpulan sebagai
berikut.
a. Dua pengklasifikasi berdasar jarak
minimum, yaitu Euclidean dan
Mahalanobis Distance Classifier, dapat
digunakan untuk mengklasifikasikan
citra normal dan citra
bermikrokalsifikasi pada citra
mamografi digital, dengan masukan
berupa ciri-ciri yang diekstrak
berdasarkan nilai piksel citra yaitu
rerata, varians, standar deviasi, entropi,
beda nilai piksel minimum dan
maksimum, serta beda nilai piksel
maksimum dengan reratanya.
b. Mahalanobis Distance Classifier
menghasilkan kinerja klasifikasi yang
lebih baik dari pada Euclidean
Distance Classifier. Pada penelitian ini,
Euclidean Distance Classifier
menghasilkan kinerja klasifikasi
setinggi 52,5% dan error sebesar
47,5%, sedangkan Mahalanobis
Distance Classifier menghasilkan
kinerja klasifikasi setinggi 87,5% dan
error sebesar 12,5%; atau dikatakan
terjadi peningkatan kinerja dan
penurunan tingkat error sebesar 35%
saat digunakan Mahalanobis Distance
Classifier.
4.2. Saran
Berdasarkan hasil penelitian dan
pembahasan serta simpulan, maka dapat
disarankan untuk pengembangan penelitian
ini.
a. Penggunaan data pelatihan yang jauh
lebih banyak sehingga asumsi yang
kedua, yaitu bahwa semua data dalam
semua kelas diasumsikan mempunyai
distribusi normal, menjadi terpenuhi.
Dengan demikian diharapkan akan
menghasilkan kinerja yang lebih tinggi
dan error yang lebih rendah baik untuk
Euclidean maupun Mahalanobis
Distance Classifier.
b. Selain hal tersebut, penggunaan
pengklasifikasi yang memfasilitasi
kenyataan bahwa data pada semua
kelas tidak selalu mempunyai
probabilitas yang sama (equiprobable),
dapat meningkatkan kinerja klasifikasi.
Hal ini didasari kenyataan bahwa
probabilitas kejadian munculnya citra
normal dan citra bermikrokalsifikasi
kemungkinan tidak sama besar.
DAFTAR PUSTAKA
Babiloni, Fabio., dkk, 2001, Mahalanobis
Distance-Based Classifiers are Able
to Recognize EEG Pattern by Using
Few EEG Electrodes, Proceeding 23rd
Annual Conference – IEEE/EMBS
Oct 25-28 2001, Istanbul, Turkey.
Duda, R.O., Harl, P.E., Stork, D.G., Pattern
Classification, Second Edition, John
Wiley & Sons, Inc.
El-Naqa, Issam, dkk, Support Vector
Machine Learning for Detection of
Microcalcifications in Mammograms,
Dept. Of Electrical and Computer
Engineering, Illinois Institute of
Technology.
67
ORBITH VOL. 9 NO. 2 JULI 2013 : 62 – 68

Fessant dkk, 2001, Comparison of

supervised Self Organizing Maps
Using Euclidean or Mahalanobis
Distance in Classification Context, 6th
International Work Conference on
Artificial and Natural Neural
Networks (IWANN2001), Granada,
June 13-15 2001.
Garcia, Arnaud., dkk, 2008, Multivariate
Mathematical Morphology and
Bayesian Classifier Application to
Colour and Medical Images,
Proceedings of SPIE-IS&T Vol. 6812
681203-1, 2008.
Jain, Anil K., 1989, Fundamental of Digital
Image Processing, Prentice Hall
International, Inc. Singapore.
Karande dan Talbar, Independent
Component Analysis of Edge
Information for Face Recognition,
International Journal of Image
Processing (IJIP) Volume 3: Issue 3.
Liu, Sheng., Babbs, Charles F., dan Delp,
Edward J., Normal Mammogram
Analysis and Recognition, Purdue
University, Indiana.
Maged Marghany dan Mazlan Hashim,
2011, Mahalanobis Classification and
Neural Network for Oil Spill
Detection Using RADARSAT-1 SAR
Data, INSTEG UTM, Malaysia.
Munir, R., 2004, Pengolahan Citra Digital
dengan Pendekatan Algoritmik,
Informatika Bandung.
Sheshadri, H.S. dan Kandaswamy, A.,
2006, Computer Aided Decision
System for Early Detection of Breast
Cancer, Indian J Med Res 124, pp
149 – 154.
Yaffe, Martin J,. 1995, Mammography,
Biomedical Engineering Handbook,
IEEE Press.

68