Deteksi dan Klasifikasi Data Ultrasonografi Tumor Payudara dengan Menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS)
DOI :
Date : 1 August 2010
Abstrak.ÃÂ ÃÂ ÃÂ TelahÃÂ ÃÂ dilakukanÃÂ ÃÂ identifikasiÃÂ ÃÂ data ÃÂ ultrasonografiÃÂ ÃÂ ÃÂ tumor ÃÂ payudaraÃÂ ÃÂ dengan ÃÂ menggunakan Adaptive NeuroFuzzy InferenceSystem ÃÂ (ANFIS). ÃÂ Untuk ÃÂ klasifikasi ÃÂ diberikanÃÂ ÃÂ pasangan-pasangan input ÃÂ fungsi ÃÂ keanggotaanÃÂ ÃÂ (MFs) ÃÂ antaraÃÂ ÃÂ ÃÂ ÃÂ O - 0, l denganÃÂ output ÃÂ pasien ÃÂ tumor/kaokerÃÂ ÃÂ sangat ÃÂ parah ÃÂ ; input ÃÂ MFs ÃÂ 0,11ÃÂ ÃÂ - ÃÂ 0,2,ÃÂ ÃÂ ÃÂ dengan ÃÂ output ÃÂ pasien ÃÂ tumor/kankerÃÂ ÃÂ parah;ÃÂ ÃÂ ÃÂ input ÃÂ MFsÃÂ ÃÂ 0,21ÃÂ ÃÂ - 0,4 dengan output ÃÂ pasien ÃÂ tumor/kankerÃÂ ÃÂ tidak ÃÂ parah ÃÂ ; ÃÂ dan inputÃÂ ÃÂ 0,4 -1 dengan ÃÂ output ÃÂ pasien ÃÂ sehat.ÃÂ Jdentifikasi dilakukanÃÂ ÃÂ terhadapÃÂ ÃÂ data ÃÂ citra ÃÂ ultrasonografiÃÂ ÃÂ ÃÂ baik ÃÂ pada ÃÂ pasienÃÂ ÃÂ sehatÃÂ ÃÂ maupun ÃÂ pada ÃÂ pasienÃÂ ÃÂ yang memiliki kclainan,ÃÂ ÃÂ dan ÃÂ memberikanÃÂ ÃÂ persentaseÃÂ ÃÂ kcbenaranÃÂ ÃÂ data ÃÂ training ÃÂ sebesar ÃÂ 87%.ÃÂ ÃÂ ÃÂ Rule base dibuatÃÂ ÃÂ dengan ÃÂ menggunakanÃÂ ÃÂ sistem ÃÂ pakar ÃÂ (expert system) dengan ÃÂ 8 aturan ÃÂ dan trainingÃÂ ÃÂ data Fuzzy InferenceÃÂ ÃÂ ÃÂ ÃÂ SystemÃÂ ÃÂ ÃÂ (FIS)ÃÂ ÃÂ ÃÂ ÃÂ ÃÂ dilakukanÃÂ ÃÂ ÃÂ ÃÂ ÃÂ denganÃÂ ÃÂ ÃÂ ÃÂ ÃÂ menggunakanÃÂ ÃÂ ÃÂ ÃÂ ÃÂ ÃÂ metodeÃÂ ÃÂ ÃÂ ÃÂ ÃÂ backpropagation. (JKS 20~0;2:77-86)Kata kunci: data ultrasonografi, tumor ÃÂ payudara, ÃÂ neuro-fuzzy, membership junction, data training, data testing, FIS, rule base, ANFIS.Abstract.ÃÂ ÃÂ It ÃÂ bas ÃÂ been ÃÂ done ÃÂ to ÃÂ identifyÃÂ ÃÂ breastÃÂ ÃÂ tumorsÃÂ ÃÂ with ÃÂ ultrasoundÃÂ ÃÂ ÃÂ data ÃÂ using ÃÂ the ÃÂ Adaptive NeuroÃÂ ÃÂ FuzzyÃÂ ÃÂ InferenceÃÂ ÃÂ SystemÃÂ ÃÂ (ANFIS).ÃÂ ÃÂ For ÃÂ the ÃÂ classificationÃÂ ÃÂ ÃÂ given ÃÂ pairsÃÂ ÃÂ with ÃÂ Membership FunctionsÃÂ ÃÂ Score ÃÂ (MFS)ÃÂ ÃÂ 0 - 0.1ÃÂ ÃÂ ÃÂ for patient ÃÂ output ÃÂ tumor ÃÂ I cancer ÃÂ is very severe;ÃÂ ÃÂ MFS ÃÂ 0.11ÃÂ ÃÂ ÃÂ ÃÂ ÃÂ - ÃÂ 0.2, for patient ÃÂ tumor ÃÂ I cancer ÃÂ is severe; ÃÂ MFS ÃÂ 0.21 ÃÂ - 0.4 forÃÂ ÃÂ patient ÃÂ tumor ÃÂ I cancer ÃÂ is not severe, ÃÂ andMFS 0.4 -1ÃÂ ÃÂ for healthy ÃÂ patients.ÃÂ ÃÂ IdentificationÃÂ ÃÂ of ultrasoundÃÂ ÃÂ imageÃÂ ÃÂ data ÃÂ are made ÃÂ to both healthypatientsÃÂ ÃÂ and ÃÂ in ÃÂ patients ÃÂ who ÃÂ have ÃÂ the ÃÂ disorder,ÃÂ ÃÂ and givesÃÂ ÃÂ the percentageÃÂ ÃÂ of truth ÃÂ trainingÃÂ ÃÂ data ÃÂ by87%. ÃÂ Rule ÃÂ base is created ÃÂ by using an expert ÃÂ system ÃÂ (expert ÃÂ systems) ÃÂ withÃÂ 8 rules and training ÃÂ dataFuzzy ÃÂ Inference ÃÂ System (FIS) ÃÂ were calculated ÃÂ using backpropagation.ÃÂ ÃÂ (JKS 2010;2:77-86)Keywords: ultrasonografi data, breast tumors, ÃÂ neuro-fuzzy, membership junction, ÃÂ data training, data testing, FIS, rule base, ANFIS.