ABSTRAKSI: Tugas akhir ini bertujuan menghasilkan suatu alat bantu berbasis software untuk para radiolog dalam mendiagnosa citra mammogram serta mempermudah dalam mengklasifikasikan tipe kelainan kanker payudara ke dalam tiga kelas berdasarkan BIRADS. Secara umum, pendeteksian kanker payudara ini terdiri dari 3 bagian utama, yaitu: preprocessing, segmentasi dan pengenalan pola (klasifikasi ciri).
Metode morphological gradient digunakan untuk mendapatkan sub-citra mammogram yang kemudian akan dilakukan proses segmentasi dengan menggunakan transformasi watershed yang kemudian akan dilakukan ekstraksi ciri dengan pendekatan ciri statistik. Pada proses ekstraksi ciri akan dihasilkan fitur tertentu yang kemudian akan dikenali dengan metode JST SOM.
Penggunaan segmentasi watreshed ini terbukti dapat memisahkan objek yang berupa kanker dari background sekalipun tepi antar objek bersambungan. Pengujian ini dilakukan dengan inputan sebanyak 75 citra mammogram dalam format .jpg dengan menggunakan pendekatan statistik. Secara keseluruhan hasil pengenalan pola dengan menggunakan JST SOM mendapatkan akurasi sebesar 100% dengan rata-rata waktu komputasi sistem 16-22 detik per citra mammogram.
Kata Kunci : kanker payudara, mammogram, morphological gradient, transformasi watershed, JST SOM.ABSTRACT: This project aims to produce a tool to diagnose mammogram and make it easier to classify breast cancer into normal, benign, or malignant type of class depend on BIRADS. Generally, the system of breast cancer detection consists of three main parts, i.e preprocessing, segementation, and classify
Morphological Gradient method used to found out the sub image of mammogram, which then the sub image is produced using Watershed Transformation as segmentation method. Then, the result of sub-image of mammogram, which are global region (breast) and local region (mass and micro-calcification,) is calculated using statistical approach to get unique features. The last, the unique features are recognized by using SOM neural network.
The using of watershed segmentation is proven effective in separating the object (cancer) from its background of cancer, though the edge between continuous objects. Test are done by using 90 image (.jpg) is calculated using statistical approach. Overall the recognition of feature using SOM neural network resulted in 86% of accuracy with average computation time in 16-22 second per image.
Keyword: breast cancer, mammogram, morphological gradient, watershed transform, SOM neural network