Professional Documents
Culture Documents
2 JULI 2013 : 62 – 68
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
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
63
ORBITH VOL. 9 NO. 2 JULI 2013 : 62 – 68
Vektorisasi
Selesai
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
Hasil ekstraksi ciri untuk setiap sampel Untuk keperluan klasifikasi menggunakan
citra disusun menjadi vektor ciri (sesuai Mahalanobis Distance Classifier,
diagram alir pada Gambar 3) sebagai dibutuhkan rerata ciri kedua kelas dan
berikut: matriks kovarians dari data pelatihan.
Matriks kovarians diperoleh menggunakan
65
ORBITH VOL. 9 NO. 2 JULI 2013 : 62 – 68
66
Perbandingan Kinerja Euclidean Dan Mahalanobis Distance Classifie..........Indah Susilawati
Distance Classifier, maka hal tersebut kinerja klasifikasi setinggi 87,5% dan
berarti bahwa pengklasifikasi Mahalanobis error sebesar 12,5%; atau dikatakan
Distance Classifier ‘melihat’ kondisi data terjadi peningkatan kinerja dan
secara lebih nyata. Hal inilah yang penurunan tingkat error sebesar 35%
menjadikan Mahalanobis Distance saat digunakan Mahalanobis Distance
Classifier menunjukkan kinerja klasifikasi Classifier.
yang lebih tinggi dan error klasifikasi yang
lebih rendah dari pada Euclidean Distance 4.2. Saran
Classifier. Berdasarkan hasil penelitian dan
Pada penelitian ini digunakan 100 data pembahasan serta simpulan, maka dapat
pelatihan dan 40 data pengujian; disarankan untuk pengembangan penelitian
penggunaan data pelatihan yang jauh lebih ini.
banyak kemungkinan akan menghasilkan a. Penggunaan data pelatihan yang jauh
kinerja yang lebih tinggi dan error yang lebih banyak sehingga asumsi yang
lebih rendah baik untuk Euclidean maupun kedua, yaitu bahwa semua data dalam
Mahalanobis Distance Classifier, karena semua kelas diasumsikan mempunyai
asumsi pertama dan kedua, yaitu bahwa distribusi normal, menjadi terpenuhi.
semua data dalam semua kelas mempunyai Dengan demikian diharapkan akan
probabilitas yang sama dan terdistribusi menghasilkan kinerja yang lebih tinggi
secara normal, menjadi lebih mendekati dan error yang lebih rendah baik untuk
kenyataan. Euclidean maupun Mahalanobis
Distance Classifier.
4. Simpulan dan Saran b. Selain hal tersebut, penggunaan
4.1. Simpulan pengklasifikasi yang memfasilitasi
Berdasarkan hasil penelitian dan kenyataan bahwa data pada semua
pembahasan pada bab sebelumnya, dapat kelas tidak selalu mempunyai
ditarik beberapa kesimpulan sebagai probabilitas yang sama (equiprobable),
berikut. dapat meningkatkan kinerja klasifikasi.
a. Dua pengklasifikasi berdasar jarak Hal ini didasari kenyataan bahwa
minimum, yaitu Euclidean dan probabilitas kejadian munculnya citra
Mahalanobis Distance Classifier, dapat normal dan citra bermikrokalsifikasi
digunakan untuk mengklasifikasikan kemungkinan tidak sama besar.
citra normal dan citra
bermikrokalsifikasi pada citra DAFTAR PUSTAKA
mamografi digital, dengan masukan Babiloni, Fabio., dkk, 2001, Mahalanobis
berupa ciri-ciri yang diekstrak Distance-Based Classifiers are Able
berdasarkan nilai piksel citra yaitu to Recognize EEG Pattern by Using
rerata, varians, standar deviasi, entropi, Few EEG Electrodes, Proceeding 23rd
beda nilai piksel minimum dan Annual Conference – IEEE/EMBS
maksimum, serta beda nilai piksel Oct 25-28 2001, Istanbul, Turkey.
maksimum dengan reratanya. Duda, R.O., Harl, P.E., Stork, D.G., Pattern
b. Mahalanobis Distance Classifier Classification, Second Edition, John
menghasilkan kinerja klasifikasi yang Wiley & Sons, Inc.
lebih baik dari pada Euclidean El-Naqa, Issam, dkk, Support Vector
Distance Classifier. Pada penelitian ini, Machine Learning for Detection of
Euclidean Distance Classifier Microcalcifications in Mammograms,
menghasilkan kinerja klasifikasi Dept. Of Electrical and Computer
setinggi 52,5% dan error sebesar Engineering, Illinois Institute of
47,5%, sedangkan Mahalanobis Technology.
Distance Classifier menghasilkan
67
ORBITH VOL. 9 NO. 2 JULI 2013 : 62 – 68
68