tumor kulit

 

tumor kulit

Salah satu bagian tubuh manusia yang dapat terkena tumor adalah kulit. Laporan American Cancer 

Society (2018) menyebutkan bahwa kanker kulit adalah salah satu kanker yang paling umum 

teridentifikasi di Amerika Serikat. Ada beberapa tindakan yang dapat dilakukan untuk mengidentifikasi 

sebuah tanda pada kulit tergolong kanker atau tumor, seperti pemeriksaan fisik secara visual dan biopsi. 

Pemeriksaan fisik dapat dilakukan dengan mata telanjang maupun dengan bantuan alat, yaitu 

dermoscope. Hasil pemeriksaan fisik sangat dipengaruhi oleh keahlian dan pengalaman dokter yang 

menangani, sehingga menghasilkan diagnosa yang subjektif. Biopsi dilakukan dengan cara mengambil 

sampel sel tumor melalui pembedahan pada daerah yang terjangkit dan pemeriksaan laboratorium. 

Dalam pelaksanaannya, biopsi memiliki tingkat akurasi untuk mendiagnosa sel kanker yang lebih tinggi 

dibandingkan dengan pemeriksaan visual. Namun, biopsi memerlukan banyak sumber daya yang 

diperlukan untuk mengidentifikasi suatu sel tergolong sel tumor atau kanker. Oleh karena itu, 

diperlukan instrument diagnosa yang dapat meminimalisir subjektifitas dari diagnose tumor kulit yang 

dapat dijadikan faktor pertimbangan dalam diagnose akhir keganasan tumor kulit yang diderita. 

Eltayel (2017) melakukan penelitian dalam mendeteksi kanker kulit. Penelitian dilakukan menggunakan 

Artificial Neural Network untuk klasifikasi dan Particle Swarm Optimizarion untuk segmentasinya. 

Evaluasi dilakukan dengan K-Fold validation dan menghasilkan akurasi sebesar 95,97%. 

Penelitian ini akan mencoba untuk menggunakan salah satu metode supervised learning, yaitu Support 

Vector Machine untuk mengklasifikasikan jenis tumor kulit yang diderita.Adapun penghantar materi yang diperlukan untuk penelitian ini, yaitu :

4.1 Tumor Kulit

Sel-sel yang ada pada tubuh manusia umumnya memiliki siklus hidup. Sel-sel akan tumbuh dan muncul 

ketika sel-sel yang ada menua dan mati. Dalam beberapa kesempatan, sel-sel akan terus tumbuh dan 

tidak mati sehingga sel akan terus hidup dan tidak digantikan oleh sel yang baru. Sel-sel lama akan terus 

hidup bersamaan dengan sel baru sehingga membentuk gumpalan pada tempat dimana proses ini terjadi. 

Gumpalan dari sel-sel yang tidak dapat mati ini dinamakan tumor (National Cancer Institute, 2012). 

Tumor dapat tumbuh pada seluruh organ tubuh yang dimiliki manusia (Saleh, 2016). Penyebab tumor 

dapat diklasifikasikan menjadi tiga faktor utama yaitu faktor genetik, karsinogenik, dan co-karsinogen 

(Saleh, 2016). Faktor genetik didasari pada faktor keturunan, faktor karsinogenik didasari pada 

eksternal seperti radiasi, dan faktor co-karsinogen disebabkan oleh pola hidup yang salah. Tumor dapat 

diklasifikan menjadi dua jenis berdasarkan keganasan yang dimilikinya yaitu tumor jinak dan tumor 

ganas (Sinha, 2018) . Adapun perbedaan dari tumor jinak dan tumor ganas yang dideskripsikan pada 

tabel 1

Berikut merupakan hasil dan pembahasan dari tiap proses yang dilakukan, antara lain :

4.1 Praproses dan segmentasi

Praproses menghasilkan citra dengan resolusi 400 x 400 dan citra dalam bentuk grayscale dan HSV dari 

masing-masing citra. Selanjutnya, citra akan disegmentasi untuk dicari objeknya. Objek pada citra 

memiliki ukuran yang berbeda-beda sehingga perlu dilakukan resize ulang guna memberikan hasil 

ekstraksi ciri yang seragam. Gambar 2 menggambarkan hasil akhir dari praproses. 

Setelah praproses selesai dilakukan, maka citra dapat segmentasi untuk dicari objek tumor kulit pada 

citranya. Segmentasi dilakukan menggunakan otsu thresholding, dan disempurnakan dengan beberapa 

operasi morfologi seperti Closing, Opening, Clear Border, Imfill, dan bwareafilt

Setelah citra selesai disegmentasi, maka tahapan selanjutnya adalah tahapan pembagian data.

4.2 Pembagian Data.

Dataset dibagi menjadi data training dan data testing. Dari 1472 data yang diolah, proses praproses dan 

segmentasi menyisihkan 89 citra dengan hasil segmentasi yang buruk. Kemudian dataset dibagi menjadi 

data training dan data testing. Data testing berjumlah 130 citra dengan 65 citra tergolong dalam kelas 

tumor jinak dan tumor ganas, sedangkan 1253 citra dengan jumlah kelas masing-masing 653 citra kelas 

jinak dan 618 citra kelas ganas. Maka pada tahapan selanjutnya akan dilakukan balancing data dengan 

Random Undersampling

4.3 Random Undersampling

Random Undersampling adalah salah satu metode untuk melakukan balancing data. Balancing Data

dilakukan untuk menghasilkan model yang tidak terpengaruh pada balance pada masing-masing kelas 

data training. Cara kerja random undersampling adalah dengan cara mengambil beberapa citra pada 

kelas yang memiliki data yang lebih banyak dan tidak menyertakannya pada proses training. Metode 

Random Undersampling dipilih karena selisih jumlah data kelas ganas dan kelas jinak tidak terlalu 

besar, yaitu 35 citra, sehingga efek dari undersampling tidak begitu besar dan menghasilkan dataset 

dengan data-data yang unik, tidak seperti oversampling yang memberikan data yang identik dalam beberapa citra. Dari 1253 citra training yang ada, ada 609 citra yang tergolong ke dalam tumor ganas 

dan 644 citra yang tergolong ke dalam kelas tumor jinak. Random Undersampling dilakukan pada citra 

yang tergolong pada kelas jinak dengan menyisihkan secara acak 35 citra dari 644 citra yang ada, 

sehingga menghasilkan 609 citra tumor jinak, jumlah citra yang sama dengan tumor ganas. Jumlah citra 

yang termasuk ke dalam data training menjadi berjumlah 1218 citra. Setelah random undersampling

dilakukan, maka tahapan selanjutnya adalah mengekstraksi ciri dari data yang telah dipraproses dan 

disegmentasi.

4.4 Ekstraksi Ciri

Citra yang telah dipraproses dan disegmentasi selanjutnya akan diolah dengan GLCM untuk 

mendapatkan ciri tekstur citra dan mengubah colorspace citra menjadi HSV untuk mendapatkan ciri 

warna dari citra.

4.5 Ciri Tekstur

Operasi GLCM dilakukan untuk menghitung nilai ciri tekstur dari citra. Fungsi graycomatrix()

MATLAB digunakan untuk mendapatkan matriks GLCM , dan fungsi graycoprops() digunakan untuk 

menghitung nilai ciri yang didapatkan dari matriks GLCM. Adapun tahapan tahapan yang akan 

dilakukan sebagai berikut. Setelah dijalankan keempat tahapan diatas, akan didapatkan nilai Energy, Correlation, Contrast dan 

Homogeinity dari citra. Berikut adalah nilai ekstraksi ciri tekstur pada citra Ganas001.Ciri warna

Ciri warna didapatkan dengan cara menghitung nilai dari mean dan standar deviasi dari masing-masing 

channel pada HSV yaitu Hue, Saturation, dan Value. Gambar HSV yang telah tersegmentasi akan 

dipisahkan masing-masing channelnya dan dihitung nilai mean dan standar deviasinya pada masing￾masing channel warna. Citra yang diolah adalah citra HSV yang telah tersegmentasi. Nilai piksel yang 

dihitung adalah nilai piksel yang memiliki nilai lebih dari 0, sehingga jumlah piksel yang diolah akan 

sedikit berbeda-beda tergantung dari hasil cropping yang dilakukan. Berikut adalah contoh hasil 

ekstraksi ciri warna dari citra Ganas001.

Setelah ekstraksi ciri masing-masing citra sudah didapatkan, maka tahapan selanjutnya adalah 

Klasifikasi.4.7 Klasifikasi

Tahapan-tahapan yang ada pada tahapan klasifikasi antara lain parameter tuning, Evalusasi model, dan 

testing

4.8 Parameter Tuning

Kernel-kernel pada SVM memiliki parameter parameter yang dapat diatur untuk mendapatkan hasil 

yang lebih baik dan lebih sesuai dengan data yang digunakan. Parameter-parameter yang dapat diatur 

antara lain adalah nilai Box Constraint atau nilai Cost dan nilai Kernel Scale yang umum disebut nilai 

gamma. Semakin besar nilai Cost, maka semakin rentan hasil klasifikasi SVM terhadap outlier, 

sedangkan semakin kecil nilai maka semakin kecil pengaruh outlier dan data yang terklasifikasi dengan 

salah. Nilai gamma memiliki fungsi dalam seberapa besar pengaruh kernel pada model yang dibuat, 

semakin besar nilai gamma maka semakin besar pengaruh kernel pada hyperplane yang dibuat. Cost

pada umumnya memiliki nilai dalam kelipatan sepuluh seperti 10-2 hingga 102

, Sedangkan nilai gamma

adalah nilai bilangan positif. Parameter Tuning dilakukan dengan cara melakukan Grid Search pada 

data ekstraksi ciri yang dimasukan. Grid search bekerja dengan cara melakukan pemodelan berulang 

pada data dengan nilai Cost dan Gamma yang ditentukan melalui range.. Dalam penelitian ini, Grid 

search dilakukan dalam range 10-2 hingga 102 dan dalam range 2-3 dan 20 untuk nilai gamma. Tabel 

menggambarkan parameter terbaik dari masign-masing kernel.Setelah nilai-nilai parameter telah didapatkan, maka tahapan selanjutnya adalah menggunakan 

parameter-parameter di atas untuk mengklasifikasikan data training dan menggunakan K-Fold Cross 

Validation untuk mengevaluasinya. 

4.9 Evaluasi Kernel SVM 

Setelah parameter kernel telah didapatkan, maka langkah selanjutnya adalah menguji performa 

SVM untuk mengklasifikan citra yang ada pada data training. SVM memiliki beberapa kernel yang 

dapat digunakan untuk mengklasifikasikan data. Kernel SVM yang diuji antara lain Linear, Radial 

Basis Function (RBF), Polynomial, dan Sigmoid. Keempat kernel ini akan diuji coba pada data training

dengan metode evaluasi K-Fold Cross Validation dan dihitung nilai akurasinya guna mendapatkan 

model terbaik dalam mengklasifikasikan data yang ada pada data training. K-Fold Cross Validation

akan membagi data menjadi data training dan data Testing pada tiap fold yang berbeda. Nilai K yang 

dipilih pada K-Fold Cross Validation adalah 10, sehingga data training dibagi menjadi 10 bagian 

berbeda yang dijadikan sebagai data Testing pada tiap iterasinya. Gambar 5 menggambarkan hasil yang didapat masing-masing kernel SVM dalam mengklasifikasikan data training dengan K-Fold Cross 

Validation model Dari gambar di atas, dapat dilihat bahwa kernel SVM RBF mendapatkan hasil terbaik dengan akurasi 

sebesar 84,8%. Kernel Linear mendapatkan akurasi sebesar 80,20%, Polynomial sebesar 80,20% dan 

Sigmoid sebesar 75,8%. Nilai sensitivitas tertinggi didapatkan dengan kernel RBF dengan nilai sebesar 

89.1%, dan nilai spesifisitas didapatkan oleh kernel RBF dengan nilai sebesar 80,6%. Dari pengujian 

ini, dapat disimpulkan bahwa Support Vector Machine dengan kernel RBF memiliki akurasi tertinggi 

dibandingkan dengan kernel lain dan akan digunakan pada aplikasi yang akan dibuat. 

4.10 Evaluasi Aplikasi

Data Testing akan diproses melalui aplikasi untuk mengetahui kelas dari citra yang dimasukan. Data 

Testing terdiri dari 65 citra yang tergolong tumor ganas dan 65 citra yang tergolong dalam tumor jinak. 

Adapun tahapan-tahapan yang dilakukan untuk menguji data Testing, antara lain:

1) Membuat model dari data training sesuai folder yang sudah ditentukan. 

2) Memasukan gambar citra Testing melalui tombol pilih gambar

3) Mengekstraksi ciri citra Testing yang dimasukan

4) Mengklasifikasikan citra dengan model SVM kernel RBF yang telah dibuat.

Tahapan di atas, kecuali tahapan 1., dilakukan berulang kali untuk tiap citra yang tergolong pada data 

Testing. Hasil klasifikasi yang dihasilkan akan dievaluasi menggunakan confusion matrix untuk 

menghitung akurasi, spesifisitas dan sensitivitas dari data yang diuji RBF. Gambar 6 mengilustrasikan 

proses dari tahapan ini.

Penelitian ini berhasil mengidentifikasi keganasan tumor kulit dengan Support Vector Machine dengan 

akurasi sebesar 76.9%. Hasil ini lebih buruk dibandingkan dengan penelitian yang dilakukan Eltayel 

(2017). Hal ini dipengaruhi oleh resolusi data dan pencahayaan yang tidak seragam dan juga hasil 

segmentasi dari thresholding yang masih belum sempurna. Penelitian dimulai dari tahapan Pra-proses 

dan segmentasi yang menghasilkan 1253 citra dengan hasil segmentasi yang baik, dilanjutkan dengan 

tahapan pembagian data dan Random Undersampling yang memberikan data yang seimbang untuk 

masing-masing kelas dengan jumlah data 1218 citra. Setelah itu, tahapan ekstraksi ciri yang 

memungkinkan pengambilan fitur warna dan tekstur dari citra. Tahapan parameter tuning memberikan 

parameter-parameter yang digunakan untuk memberikan hasil klasifikasi yang optimal. Data training 

diklasifikasikan menggunakan Support Vector Machine dan dievaluasi dengan K-Fold Cross 

Validation. Hasil terbaik didapatkan kernel SVM Radial Basis Function dengan nilai akurasi yang 

didapat sebesar 84,8% dengan evaluasi K-Fold-Validation dengan nilai K sebesar 10. Support Vector 

Machine dengan kernel RBF selanjutnya dipasang pada aplikasi dan digunakan untuk 

mengklasifikasikan data testing yang telah dibuat pada tahap pembagian data. SVM kernel RBF

mendapatkan nilai akurasi,sensitivitas, dan spesifisitas sebesar 76.9%, 76.9% dan 76.9% dalam 

mengklasifikasikan citra data testing .Setiap data Testing akan dicatat hasil klasifikasinya untuk dapat menghasilkan confusion matrix yang 

digunakan untuk menghitung akurasi, spesifisitas, dan sensitivitas. Adapun confusion matrix yang 

didapatkan dari tahapan di atas dideskripsikan pada Error! Reference source not found. dimana G 

adalah kelas Ganas dan J menggambarkan kelas Jinak.

Kanker kulit adalah salah satu kanker yang paling umum ditemukan. Perlu adanya metode diagnosa 

yang dapat mendiagnosa keganasan tumor kulit dengan cepat. Penelitian ini bertujuan untuk membuat prototipe 

sistem yang dapat membantu dokter dalam mengklasifikasikan keganasan tumor kulit dari citra dermoskopi dan 

mengevaluasi kinerja Support Vector Machine dalam mengklasifikasikan citra tersebut. Citra akan diolah 

melalui praproses, segmentasi, ekstraksi ciri, dan klasifikasi. Praproses pada citra antara lain mengubah resolusi 

citra, mengubah citra dari channel warna RGB menjadi grayscale dan HSV. Segmentasi dilakukan dengan 

metode thresholding. Metode ekstraksi ciri yang digunakan dari masing-masing adalah GLCM untuk ciri 

tekstur dan Color Moments untuk ciri warna. Hasil akurasi terbaik yang didapat pada tahap klasifikasi dan 

evaluasi dengan K-Fold Cross Validation adalah sebesar 84,8% yang didapatkan dengan model SVM kernel 

Radial Basis Function dengan parameter cost sebesar 1 dan gamma sebesar 0.125. Nilai akurasi yang 

didapatkan model dalam mengklasifikasikan citra data testing adalah 76,9%