1. Makalah ini menjelaskan pengembangan aplikasi deteksi dini kanker kulit berbasis komputer menggunakan framework DeWa. 2. Metode yang digunakan meliputi segmentasi, filtering, analisis dan klasifikasi citra biomedis dengan 58 data latihan dan pengujian. 3. Hasil pengujian menunjukkan tingkat kesuksesan deteksi lebih dari 80% menggunakan teknik Receiver Operating Characteristics.

1. Pemanfaatan DeWa Framework
untuk Deteksi Dini Kanker Kulit
Pada Citra Biomedis
S. Hadi, B.Y. Tumbelaka, B. Irawan, R. Rosadi
Fakultas MIPA Universitas Padjadjaran
Seminar Nasional FMIPA Universitas Padjadjaran
18 Oktober 2014

2. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Agenda
Pendahuluan, yang berisi latar belakang permasalahan, studi
literatur (state-of-the-art) dan tujuan penelitian.
Metode, yang berisi jenis metode disertai rincian metode
pengumpulan data dan metode analisis data yang
digunakan.
Hasil dan Pembahasan, yang menggambarkan hasil analisis dan
pembahasan hasil analisis.
Kesimpulan, yang berisi temuan penelitian, kelebihan dan
kekurangan penelitian, serta tindak lanjut.
Semnas FMIPA Unpad 2014 SBBR

3. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Latar Belakang
Kanker Kulit
Salah satu jenis kanker yang biasa
dijumpai pada manusia
Temuan kasus 50% dari jenis
seluruh jenis kanker
Jenis yang mematikan (ganas,
malignant) disebut melanoma,
ditemukan 3% dari keseluruhan
kasus kanker kulit
Jika dapat dideteksi lebih awal
maka tingkat kematian dapat
dihindarkan/dikurangi
Problem: Proses pendeteksian
secara konvensional (biopsi,
dermoskopi/dermatoskopi) secara
keseluruhankurang praktis dan
tidak ekonomis
Semnas FMIPA Unpad 2014 SBBR

4. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Latar Belakang
Kanker Kulit
Salah satu jenis kanker yang biasa
dijumpai pada manusia
Temuan kasus 50% dari jenis
seluruh jenis kanker
Jenis yang mematikan (ganas,
malignant) disebut melanoma,
ditemukan 3% dari keseluruhan
kasus kanker kulit
Jika dapat dideteksi lebih awal
maka tingkat kematian dapat
dihindarkan/dikurangi
Problem: Proses pendeteksian
secara konvensional (biopsi,
dermoskopi/dermatoskopi) secara
keseluruhankurang praktis dan
tidak ekonomis
Semnas FMIPA Unpad 2014 SBBR

5. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Sistem Diagnosis ABCDE
A - Symmetry: Apabila kita gambar garis yang
memotong objek (mole) maka belahannya tidak
akan sama
B - Border: Batas objek untuk melanoma terlihat
tidak beraturan
C - Color: Melanoma memiliki warna yang bervari-
asi dan kadang-kadang berubah-ubah, demikian juga
kecerahannya.
D - Diameter: Melanoma memiliki diameter lebih
dari 6mm.
E - Evolving: Tanda yang menunjukkan kanker
ganas adalah perubahan yang terjadi dalam hal
warna, bentuk, ukuran, elevasi, demikian pula den-
gan efek gatal, pengerasan dan pendarahan.
Semnas FMIPA Unpad 2014 SBBR

6. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Tujuan
Maksud: Mengembangkan algoritma dan mengevaluasi kinerja
metode pendeteksian kanker kulit berbantuan
komputer portabel.
Tujuan: Dihasilkannya perangkat lunak berbasis komputasi
portabel untuk mendeteksi dini kanker kulit.
Semnas FMIPA Unpad 2014 SBBR

7. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
DeWa framework
Dibangun 2008, lightweight
framework
Menerapkan konsep multiaspek
yang dinamis dan terintegrasi
segmentation
filtering
analysis and classification
Sudah diterapkan dalam aplikasi
citra dijital
Pendeteksian wajah
Pendeteksian objek statis
(diam)
Pendeteksian gerakan
sederhana
Pendeteksian gelombang
tsunami
Semnas FMIPA Unpad 2014 SBBR

8. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
DeWa: Segmentation
Obtaining light and simple image without sacrifying
information detail
Goal: Optimal threshold value
Formulation: σ2
w (t) = ω1(t)σ2
1(t) + ω2(t)σ2
2(t)
The algorithm:
1 Calculate the histogram and the probability of each level of
intensity
2 Set initial value of ω1(0) and µ1(0)
3 Perform the following steps for all possible threshold
t = 1 . . . maxints
a. Update ωi And µi
b. Calculate σ2
b(t)
4 Optimal threshold is obtained from the maximum value of
σ2
b(t) = σ2
− σ2
w (t) = ω1(t)ω2(t)(µ1(t) − µ2(t))2
.
Semnas FMIPA Unpad 2014 SBBR

9. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
DeWa: Filtering
Objects that are not part of region of interest (ROI) are
cleaned
Formulation: ψbf [x] = b(f [x − y1], . . . , f [x − yn])
b(v1, . . . , vn) is a boolean function of n variables
f → ψb(f ) is called a boolean filter
If b is the AND operator, then the result of shrinkage (shrink)
from the image. Conversely, if b is the OR, there will be
expansion (expand) the image.
Semnas FMIPA Unpad 2014 SBBR

10. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Segmentasi dan Filtering
Semnas FMIPA Unpad 2014 SBBR

11. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
DeWa: Analysis and Classification
Semnas FMIPA Unpad 2014 SBBR

12. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Clustering
Semnas FMIPA Unpad 2014 SBBR

13. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Connected Component Labeling
Semnas FMIPA Unpad 2014 SBBR

14. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Basisdata Kanker Kulit
Basis Data : eMedicineHealth
Alamat : http://www.emedicinehealth.com/script/main/hp.asp
Banyak Data : 56
Basis Data : Skin Cancer Pictures, By Lisa Fayed
Alamat : http://cancer.about.com
Banyak Data : 13
Basis Data : SDermNet NZ
Alamat : http://www.dermnetnz.org/lesions/skin-cancer.html
Banyak Data : 50
Semnas FMIPA Unpad 2014 SBBR

15. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Basisdata Kanker Kulit
Semnas FMIPA Unpad 2014 SBBR

16. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Hasil: Pembangunan Aplikasi
Semnas FMIPA Unpad 2014 SBBR

17. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Pengujian Aplikasi
Jumlah data yang yang dilatih: 29 data
Jumlah data yang diuji: 29 data
Kriteria pengujian: True Positive and True Negative, based on
Visual Expert Accuracy Judgement
Semnas FMIPA Unpad 2014 SBBR

18. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Data dan Hasil Pengujian
ID Data Benign Malignant Hasil Pengujian True Positive True Negative
SC01-Assymetrical benign
SC02-Melanoma malignant
SC03-UnevenDistribution benign
SC04-LargeSize benign
SC05-Melanoma * tidak terdeteksi*
SC06-Melanoma malignant
SC07-Melanoma malignant
SC08-Melanoma * tidak terdeteksi*
SC09-Melanoma malignant
SC10-Melanoma malignant
SC11-Melanoma malignant
SC12-Melanoma * tidak terdeteksi*
SC13-Melanoma * tidak terdeteksi*
SC14-Melanoma malignant
SC15-Melanoma malignant
SC16-Melanoma malignant
SC17-Melanoma malignant
SC18-Melanoma malignant
SC19-Basal benign
SC20-Melanoma malignant
SC21-Squamus benign
SC22-Squamus benign
SC23-Squamus benign
SC24-Basal benign
SC25-Squamus benign
SC26-Melanoma malignant
SC27-Squamus benign
SC28-Squamus * tidak terdeteksi*
SC29-Melanoma malignant
Semnas FMIPA Unpad 2014 SBBR

19. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Hasil Pengujian
Semnas FMIPA Unpad 2014 SBBR

20. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Kesimpulan
1 Pada makalah ini telah dipaparkan aplikasi cerdas
pendeteksian kanker kulit
2 Metode yang digunakan mengacu kepada framework DeWa
yang telah dikembangkan sebelumnya
3 Data yang digunakan sebanyak 58 data citra biomedis kanker
kulit masing-masing 28 data untuk pengujian dan 29 data
untuk pelatihan
4 Teknik pengujian metode menggunakan Receiver Operating
Characteristiks untuk dua jenis saja yaitu true positive dan
true negative
5 Tingkat kesuksesan metode adalah di atas 80%.
Semnas FMIPA Unpad 2014 SBBR

21. Pendahuluan Metode Hasil dan Pembahasan Kesimpulan
Ucapan Terimakasih
Makalah ini adalah bagian dari kegiatan Penelitian Unggulan
Perguruan Tinggi tahun 2014. Terima kasih kepada LPPM Unpad
dan Fakultas MIPA Universitas Padjadjaran atas dukungannya.
Semnas FMIPA Unpad 2014 SBBR