KLASIFIKASI MASSA PADA CITRA MAMMOGRAM BERDASARKAN GRAY LEVEL COOCCURENCE MATRIX (GLCM)

REFTA LISTIA, Drs. Agus Harjoko, M.Sc., Ph.D

2013 | Tesis | S2 Ilmu Komputer

Kanker payudara adalah penyakit yang paling umum diderita oleh wanita pada banyak negara. Pemeriksaan kanker payudara dapat dilakukan dengan menggunakan mamografi. Pada penelitian ini, pendekatan yang diusulkan bertujuan untuk mengklasifikasi mammogram berdasarkan tiga kelas yaitu kelas normal, tumor jinak, dan tumor ganas. Sistem yang diusulkan terdiri dari empat langkah utama yaitu preprosesing, segmentasi, ekstraksi fitur dan klasifikasi. Pada tahap preprosesing akan dilakukan grayscale, interpolasi, amoeba mean filter dan segmentasi. Ekstraksi ciri menggunakan Gray Level Cooccurence Matrix (GLCM) dan akan dihitung ciri-ciri statistik pada 4 arah (d=1 dan d=2) , GLCM 8 arah (d=1) dan GLCM 16 arah (d=2). Fitur yang digunakan ada 5 yaitu kontras, energi, entropi, korelasi dan homogenitas. Langkah terakhir adalah klasifikasi menggunakan Backpropagation. Beberapa parameter penting divariasikan dalam proses ini seperti learning rate dan jumlah node dalam lapisan tersembunyi. Hasil penelitian menunjukkan bahwa fitur ekstraksi GLCM 4 arah (0°, 45°, 90°, 135°) dengan jarak d=1 memiliki akurasi terbaik dalam mengklasifikasi mammogram yaitu sebesar 81,1% dan khusus pada arah 0° akurasi klasifikasi diperoleh sebesar 100%.

Breast cancer is the most common disease in women in many countries. Breast cancer can be performed using mammography. In this work, an approach is proposed to classify mammogram based on three classes such as normal, benign, and malignant. The proposed system consist of four major steps : preprocessing, segmentation, feature extraction and classification. In preprocessing grayscale, interpolation, amoeba mean filter and segmentation are applicated. Feature extraction using Gray level Cooccurence Matrix (GLCM) and the features will be calculated in 4 angles (d=1 and d= 2), GLCM 8 angles and GLCM 16 angles. The 5 features are contrast, energy, entropy, correlation and homogeneity. The final step is classification using Backpropagation. Some of important parameters will be variated in this process such as learning rate and the number of node in hidden layer. The research result suggest that extraction feature in 4 angles (0°, 45°, 90°, 135°) and d=1 is the best accuracy for classifying mammogram based on classes 81,1% and especially in 0° accuracy is 100%.

Kata Kunci : Mammogram, GLCM, Backpropagation