Abstrak

Polycystic Ovary Syndrome (PCOS) merupakan salah satu penyebab infertilitas pada wanita, dimana pertumbuhan folikel-folikel pada fase ovulasi menjadi terhenti pada ukuran 5-7 mm. Ketika jumlah folikel yang tidak tumbuh ini makin banyak, maka pada akhirnya dapat menyebabkan bleeding (pendarahan) pada dinding rahim. Pendarahan ini merupakan efek dari sindrom polikistik ovarium atau PCOS. Pemeriksaan ultrasonography (USG) dapat dilakukan sebagai langkah awal untuk mengetahui apakah terdapat folikel PCO pada ovarium.

Penelitian pada tugas akhir ini dilakukan untuk membangun suatu sistem yang dapat mengadopsi kemampuan diagnosa dokter dalam pendeteksian folikel PCO terhadap citra USG. Klasifikasi folikel terdiri dari 2 kelas; folikel non-PCO dan folikel PCO. Pendeteksian folikel PCO ini terdiri dari 3 tahap yaitu preprocessing, ekstraksi ciri, dan klasifikasi. Tahap preprocessing dilakukan untuk meningkatkan kualitas citra agar informasi yang diinginkan lebih mudah untuk diambil. Setelah itu dilakukan ekstraksi ciri tekstur terhadap citra folikel yang sudah disegmentasi. Metode yang digunakan pada tahap ekstraksi ciri adalah 2D Gabor Wavelet. Kemudian proses dilanjutkan dengan tahap klasifikasi citra dengan pengenalan jenis folikel non-PCO dan PCO. Tahap klasifikasi dilakukan menggunakan metode JST Learning Vector Quantization (LVQ).

Berdasarkan implementasi dari metode-metode tersebut, dihasilkan akurasi 80.8% untuk 22 citra latih yang terdiri dari 18 citra normal dan 7 citra terindikasi PCOS, serta 80.7% untuk akurasi pada 18 citra uji yang terdiri dari 11 citra normal dan 7 citra terindikasi PCOS. Parameter terbaik yang menghasilkan akurasi tersebut adalah saat ekstraksi ciri 2D Gabor Wavelet dengan ciri tekstur mean, menggunakan 32 ciri, dan ukuran kernel 5x5. Serta hidden neuron 400, learning rate 0.5, dan epoch 500 untuk parameter JST LVQ.

Kata kunci : folikel, polycystic ovary syndrome, ultrasonography, Gabor Wavelet, JST Learning Vector Quantization (LVQ).