SEGMENTASI MAMOGRAFI KANKER PAYUDARA DENGAN ALGORITMA EXPECTATION MAXIMIZATION SEGMENTATION (EM-SEGMENTATION)

Authors

  • Lestari Handayani Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Pekanbaru - Riau
  • Indah Inzani Septa Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Pekanbaru - Riau

DOI:

https://doi.org/10.24014/sitekin.v11i2.753

Keywords:

Algoritma Expectation Maximization Segmentation, Kanker payudara, Mamografi, Pengolahan citra

Abstract

Kanker merupakan penyebab utama kematian pada manusia. Salah satu kanker yang menyebabkan kematian yaitu kanker payudara. Kanker payudara adalah kanker yang terjadi pada payudara karena adanya pertumbuhan yang tidak terkendali dari sel-sel kelenjar dan salurannya, sehingga merusak organ atau jaringan sekitar dan melakukan penyebaran kebagian tubuh yang lain. Untuk membantu para Radiologi dan Dokter ahli Radiolog dalam mendeteksi kanker, penderita bisa melakukan Mamografi. Mamografi merupakan pemeriksaan dengan menggunakan sinar-X yang memberikan gambaran tentang jaringan lunak pada payudara. Dalam bidang kedokteran. Radiolog sering mengalami kesulitan dalam mengamati citra mentah hasil Mamografi, karena citra yang dihasilkan mempunyai derajat keabuan sehingga sulit melihat jelas area pengenalan bagian kanker. Untuk mengatasi hal tersebut perlu dilakukan operasi pengolahan citra. Salah satu proses pengolahan citra yaitu segmentasi. Segmentasi Mamografi pada citra tersebut merupakan proses memperjelas dan mempertajam ciri atau fitur citra sehingga tersegmentasi dengan pembagian Cluster. Segmentasi Mamografi pada citra ini menggunakan Algoritma Expectation Maximization Segmentation. Setelah dilakukan pengujian dengan jumlah Cluster dan berdasarkan pandangan Dokter, segmentasi citra ini menghasilkan citra yang tersegmentasi dalam beberapa Cluster. Diantara Cluster tersebut merupakan pengenalan area letak kanker. Berdasarkan pengujian Dokter Radiologi, hasil segmentasi yang baik yaitu pada Cluster 5, dengan warna merah tua area kanker dan warna orange penyebarannya.

References

Ayu N., Fourina dan Wulan P, Santi. Analisis (2012), Diagnosis Pasien Kanker Payudara Menggunakan Regresi Logistik dan Support

Vector Machine (SVM) Berdasarkan Hasil Mamografi. Jurnal Sains dan Seni ITS, Vol. 1, No. 1, 2012.

Cascio, D., Fauci, F., Magro, R., Raso, G., Bellotti, R., De Carlo, F., … Torres, E. L. (2006). Mammogram Segmentation by Contour

Searching and Mass Lesions Classification With Neural Network. IEEE Transactions on Nuclear Science, 53(5), 2827–2833. doi:10.1109/TNS.2006.878003

Kurnia P, Dane ., Santoso, Imam dan Ajulian Z, Ajub. (2009), Identifikasi Keberadaan Kanker Pada Citra Mammografi Menggunakan Metode Wavelet Haar. Transmisi, Jurnal Teknik Elektro, Vol 11,

No. 2, 2009.

Munir, R. (2004), Pengolahan Citra Digital. Penerbit Informatika Bandung, Bandung.

Mustapha, N., Jalali, M. (2009), Expectation Maximization Clustering Algoritma for user Modelingin Web usage Mining system, Faculty of Computer science and Information Technology, University Putra Malaysia. Vol.32. 2009.

Paulus, E., Nataliani, N. (2007), Cepat mahir GUI Matlab. Penerbit Andi, Yogyakarta.

Putra, D. (2010), Pengolahan Citra Digital. Penerbit Andi, Yogyakarta.

_., (2012), Data penderita kanker payudara di dunia. Diakses pada tanggal 13 Desember 2012 dari [http://www.who.int/cancer/detection/braestcancer/en/index1.html]

Downloads

Issue

Section

Articles