Perhitungan Nilai Besaran Fisis Mammografi Jenis Histopatologi IDC dan ILC

JNATIA Volume 1, Nomor 3, Mei 2023

Jurnal Nasional Teknologi Informasi dan Aplikasinya

p-ISSN: 2986-3929

Perhitungan Nilai Besaran Fisis Mammografi Jenis Histopatologi IDC dan ILC

Anak Agung Ngurah Frady Cakranegara^a1, Ida Ayu Gde Suwiprabayanti Putra ^a2

^aProgram Studi Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana

Jalan Raya Kampus Udayana, Bukit Jimbaran, Kuta Selatan, Badung, Bali Indonesia ¹[email protected] ²[email protected]

Abstract

In this study, the main objective was to calculate the range of physical values contained in mammography X-ray images and determine the physical quantities that are significant in differentiating between the histopathological types of ILC (Invasive Lobular Carcinoma) and IDC (Invasive Ductal Carcinoma). The research method involved collecting data from 152 mammograms consisting of 7 ILCs and 145 IDCs from doctor Sutomo Surabaya's radiology database. The range of physical values such as entropy, contrast, second angular moment, differential invest moment, mean, deviation, entropy of Hdiff, angular moment of Hdiff, and mean of Hdiff are calculated and compared between ILC and IDC using the Anova statistical test. The results showed that there were differences in the range of physical quantity values between ILC and IDC. Significant parameters in differentiating the two types of histopathology are mean1, mean2, mean3, and mean4. In conclusion, IDC has a higher peak than ILC, and the range of ILC physical quantities is higher than IDC.

Keywords: X-ray, IDC, ILC, Mammografi, Anova

• 1.    Pendahuluan

Kanker payudara merupakan penyebab kematian terbanyak setelah kanker rahim, banyak penelitian yang dilakukan untuk mendeteksi dini kanker payudara, seperti : texture coding [1] , edge detection [2] ,adaptive k-mean clustering [3] , self similar fractal [4], fractal feature [5], neural network [6], kekre’s [7], SVM classifier [8], texture resemblance marker [9], extraction [10], accurate method (M. Rizzi,at.al.,2010), contour description [11], bilatral asymmetry S. K. Bandyopadhyay (2010), orthogonal polynomials model [12], dual tree complex [13], gabor features [14], fuzzy clustering [15], k-means and fuzzy c-means (N. Singh,at.al.,2011), vector quantization techique (H.B. Kekre,at.al.,2009), kohonen network SOM and LVQ [16], T sallis entropy & a type II fuzzy (Mohanalin.at.al.,2010), foveal method (Oh Whi-Vin,at.al,2009), wavelet [17]. Belum ada yang menggunakan besaran fisis untuk mengkalsifikasi histopatologi kanker payudara. Pada penelitian ini bertujuan untuk menghitung range nilai besaran fisis yang terdapat pada hasil poto sinar-X mammografi dan menentukan besaran fisis apa saja yang benar-benar signifikan mampu membedakan ILC dan IDC. Pada makalah ini diorganisasi sebagai berikut. Bagian 2 bahan dan metoda, bagian 3 hasil, Bagian 4 pembahasan dan kesimpulan dibahas pada bagian 5.

• 2.    Metode Penelitian

Metode penelitian adalah suatu langkah ilmiah yang digunakan untuk memecahkan suatu masalah guna mencapai tujuan tertentu. Penelitian ini bertujuan untuk membangun sebuah ontologi yang dapat menjadi basis komputerisasi di bidang perfilman untuk pengembangan sistem rekomendasi pemilihan film. Dalam membangun sebuah ontologi, diperlukan sebuah metode yang disebut Methontology. Methontology adalah salah satu yang memberikan keuntungan dalam kegiatan konseptualisasi rinci pada setiap tahap dan juga memiliki

kemampuan untuk mengatur ulang ontologi. Langkah-langkah metodenya adalah Spesifikasi, akuisisi, konsep, integrasi, implementasi, evaluasi, dokumentasi

• a.    Mammogram

Pertama-tama kami mengambil data record pasien dari ruang radiologi yang sudah pasti nilai histopatologinya dan sudah diperiksa oleh dokter ahli onkologi yang sudah berpengalaman lebih dari 20 tahun. Setelah mendapatkan data record pasien Kemudian kami lanjut mengambil gambar mammogram dari data base ruang radiologi sesuai data record pasien. Tidak semua data record pasien ada gambar mamogramnya, karena tidak semua pasien melakukan pemeriksaan mammografi dirumah sakit tersebut. Data mammogram merupakan data sekunder yang diambil dari data base rumah sakit Dokter Soetomo Surabaya mulai bulan Januari 2023 sampai Mei 2023, mammogram yang memenuhi kriteria inklusi berikut dimasukkan dalam penelitian ini. 1) mammogram dengan lesi payudara yang mencurigakan terdeteksi dan data recordnya ada di ruang onkologi. 2) Pasien tidak menjalani biopsi, kemoterapi atau intervensi lainnya sebelum pemeriksaan. 3) Diameter lesi payudara adalah lebih besar dari 1cm. 4) Karakteristik lesi adalah dikonfirmasi oleh patologi. Dari 200 data hanya 152 data memenuhi kriteria inklusi. 152 mammogram yang terdiri dari 7 ILC dan 145 IDC.

• b.    Akuisisi Gambar

Gambar mammogram diambil dari alat mammografi merek Kodak tipe dryview 6800 laser imager dengan seting KV= 30, MAS = 25, brightness = 7, latitude = 11, contras = -4, ukuran film = 18x24 cm.

• c.    Analisis Gambar

Seorang dokter ahli radiologi dengan pengalaman lebih dari 20 tahun dalam diagnosis lesi payudara, menganalisis gambar mammogram. ROI dipilih di area lesi yang paling jelas dengan ukuran 2 x 2 cm. kemudian dilakukan perbaikan kontras mammogram. Parameter fisika yang ada pada mammogram dihitung secara otomatis menggunakan persamaan (1 s/d 10) [18].

Entropy = - ∑y^t_q=y_ι∑^yr=y_ι[H(yq,yr,d)]log [H(y_q,y_r,d)](1)

Contrast = ∑y^r_q=y₁ ∑^yt_r=_yι(yq — yr)² H(y_q,yr, d)(2)

Moment Angulerkedua= ∑_y^r_q=_y∑_yr=_yγ[H(y_q,yr,d)]²(3)

^Momen DIff^erensIcd Inv^ers = ∑^yr-_y ∑^yt_r=y₁ [^^2]

yq yr

Mean = ∑yq=_yι yqH_m (yq, d)(5)

Deviation = √∑^yr_q=y_ι[yq - ∑^yr_p=_yιy_pH_m(y_p,d)]²H_m(y_q,d)(6)

^Hdiff^(i,d) = ∑_y=y—,_r=_:i∑yr=_:yl^H(yq>^yr>d⁾

EntropydariH_diff= -∑=_hHdi_ff(i,d)∖ogHdi_ff(i_ld)(8)

ASM dari Hdi_ff(i,d) =∑ⁱ=iJHdi_ff(i,d^(9)

MeanHdiff =∑‰iHdiff(i,d)(10)

dengan yq, yr, y1, yt, d berturut-turut adalah nilai gray-level pixel kesatu, nilai gray-level pixel kedua, nilai awal nol, nilai akhir 255, jarak antar dua pixel. Hasil perhitungan tersebut kemudian ditabulasi menggunakan exel, nilai entropy ILC dan ILC dikumpulkan jadi satu file, begitu juga sepuluh parameter fisika yang lain. Kemudian dilakukan Analisa statistic Anova table 1. Kami juga membuat visual pemisahan background dengan objeck massa yang mencurigakan seperti terlihat pada gambar 1. Kami akan melihat apakah ada perbedaan visual ILC dan IDC.

• d.    Transformasi Data

Pada penelitian ini kami menggunakan 3 jenis data, yaitu data asli (tidak ditransformasi), data ditransformasi biner yang nilainya dari 0 sampai 1, data ditransformasi bipolar yang nilainya dari -1 sampai 1. Persamaan untuk normalisasi data sebagai berikut:

Data Biner = 0.8 * (X – Min) / (Max – Min) + 0.1

(11)

Data Bipolar = 0.8*(X – Min) / (Max – Min) + 0.1 + (X – Min) / (Max –Min) –1        (12)

Dimana:

X       = nilai intensitas piksel data asli

Min    = nilai minimum dari keseluruhan data

Max = nilai maxsimum dari keseluruhan data.

• e.    Analisis Statistic

Setelah parameter fisis dihitung menggunakan persamaan (1) sampai (10), kemudian hasil perhitungan parameter fisis tersebut ditransformasi ke Biner dan Bipolar menggunakan persamaan (11) dan (12), kemudian dianalisa statistik menggunakan Uji Anova untuk mencari parameter fisika yang benar-benar mampu membedakan ILC dan IDC seperti terlihat pada table 1.

Table 1. Hasil Uji Statistik Anova.

No	Parameter	Jenis	Transformasi
			Tidak				Biner				Bipolar
			Mean	Median	Variance	P	Mean	Median    Variance		P	Mean	Median	Variance	P
1	Entr1	ILC	3.6171657	3.64827	0.007	0.907	0.5708492	0.6911345	0.097	0.371	0.1594107	0.4300527	0.493	0.371
		IDC	3.6104536	3.64668	0.023		0.6286715	0.6665395	0.025		0.2895109	0.3747138	0.126
2	Entr2	ILC	3.66175	3.68861	0.006	0.933	0.5482805	0.6453839	0.083	0.25	0.1086312	0.3271137	0.419	0.25
		IDC	3.6568468	3.69217	0.024		0.6235608	0.6607593	0.026		0.2780117	0.3617084	0.132
3	Entr3	ILC	3.6813429	3.70126	0.006	0.952	0.5414698	0.6118671	0.078	0.2	0.0933072	0.251701	0.393	0.2
		IDC	3.6777772	3.71409	0.024		0.6268765	0.6657443	0.027		0.285472	0.3729247	0.138
4	Entr4	ILC	3.6888114	3.70141	0.006	0.996	0.5509051	0.5961444	0.08	0.208	0.1145364	0.2163248	0.405	0.208
		IDC	3.688545	3.72287	0.024		0.6350653	0.6718775	0.027		0.303897	0.3867243	0.139
5	Entr5	ILC	3.6952657	3.7031	0.006	0.993	0.5537913	0.5818096	0.08	0.19	0.1210304	0.1840717	0.405	0.19
		IDC	3.6947606	3.73059	0.024		0.6412804	0.6798595	0.027		0.3178809	0.4046838	0.138
6	Entr6	ILC	3.6998771	3.7003	0.006	0.934	0.5662492	0.5678019	0.082	0.236	0.1490607	0.1525543	0.415	0.236
		IDC	3.6949498	3.73294	0.024		0.6469026	0.6881325	0.028		0.3305309	0.4232982	0.144
7	Entr7	ILC	3.70003	3.69464	0.006	0.975	0.5633577	0.5432991	0.084	0.183	0.1425548	0.0974229	0.423	0.183
		IDC	3.6982033	3.7345	0.023		0.6532126	0.6931435	0.028		0.3447283	0.4345728	0.141
8	Entr8	ILC	3.6977043	3.69274	0.006	0.984	0.5791215	0.5601367	0.089	0.237	0.1780234	0.1353076	0.449	0.237
		IDC	3.6965695	3.73426	0.023		0.659688	0.7017668	0.028		0.3592979	0.4539752	0.143
9	Entr9	ILC	3.6966014	3.69013	0.006	0.966	0.5845788	0.5584301	0.091	0.236	0.1903023	0.1314678	0.46	0.236
		IDC	3.6941683	3.73761	0.022		0.6648231	0.7134101	0.028		0.370852	0.4801728	0.141
10	Entr10	ILC	3.6916357	3.67994	0.005	0.99	0.5818965	0.5334369	0.092	0.237	0.1842671	0.0752331	0.468	0.237
		IDC	3.6909294	3.73155	0.022		0.6617628	0.7073611	0.028		0.3639663	0.4665624	0.14
11	Contr1	ILC	339.7269071	255.32723	63250.793	0.726	0.3092668	0.2156745	0.078	0.802	-0.4291498	-0.6397325	0.394	0.802
		IDC	315.1388486	270.21934	31577.801		0.2939475	0.2559134	0.023		-0.4636182	-0.5491949	0.115
12	Contr2	ILC	552.7721929	372.36493	230311.26	0.656	0.2794663	0.1734096	0.08	0.754	-0.4962008	-0.7348285	0.403	0.754
		IDC	499.2650374	432.54989	90565.05		0.2984066	0.2655383	0.022		-0.4535852	-0.5275389	0.111
13	Contr3	ILC	669.0755014	481.0838	239945.235	0.937	0.2927707	0.1846806	0.079	0.93	-0.4662659	-0.7094686	0.402	0.93
		IDC	656.786411	561.12657	156339.435		0.2978604	0.2634479	0.02		-0.454814	-0.5322421	0.102
14	Contr4	ILC	779.0552014	584.99815	263056.082	0.904	0.3032494	0.1964216	0.08	0.967	-0.4426889	-0.6830515	0.404	0.967
		IDC	801.8035399	667.95765	234557.678		0.3008317	0.2616762	0.02		-0.4481287	-0.5362285	0.102
15	Contr5	ILC	885.5693447	678.8664	306194.868	0.813	0.3064978	0.200431	0.081	0.971	-0.43538	-0.6740302	0.408	0.971
		IDC	937.9186496	815.83116	326088.927		0.3043569	0.2736968	0.021		-0.440197	-0.5091822	0.104
16	Contr6	ILC	988.7686614	766.3858	359973.502	0.766	0.3098753	0.2041325	0.081	0.981	-0.4277807	-0.6657018	0.412	0.981

No	Parameter	Jenis	Transformasi
			Tidak				Biner				Bipolar
			Mean	Median	Variance	P	Mean	Median    Variance		P	Mean	Median	Variance	P
		IDC	1063.787706	961.40023	426712.144		0.308433	0.2854336	0.022		-0.4310258	-0.4827745	0.109
17	Contr7	ILC	1085.713991	846.3231	421618.401	0.735	0.3161202	0.2112354	0.081	0.942	-0.4137296	-0.6497204	0.41	0.942
		IDC	1181.332629	1064.5711	536751.225		0.3116883	0.2878312	0.022		-0.4237013	-0.4773799	0.113
18	Contr8	ILC	1177.54542	921.82893	491736.133	0.716	0.3185887	0.21491	0.081	0.973	-0.4081754	-0.6414525	0.409	0.973
		IDC	1291.041461	1136.0205	655841.581		0.3164446	0.2869085	0.024		-0.4129996	-0.4794559	0.121
19	Contr9	ILC	1264.636741	975.03648	575368.733	0.701	0.3181831	0.2099167	0.08	0.936	-0.4090881	-0.6526875	0.407	0.936
		IDC	1396.368226	1192.9588	791109.975		0.3233547	0.286617	0.026		-0.397452	-0.4801117	0.131
20	Contr10	ILC	1347.970017	1030.62	661883.395	0.694	0.315536	0.2048991	0.08	0.797	-0.4150439	-0.663977	0.407	0.797
		IDC	1494.52159	1314.6146	934871.354		0.333018	0.3015538	0.029		-0.3757095	-0.4465039	0.145
21	MA1	ILC	0.0003714	0.0003	0	0.711	0.3145773	0.1979592	0.078	0.878	-0.4172012	-0.6795918	0.395	0.878
		IDC	0.0003488	0.0003	0		0.3041379	0.2513514	0.029		-0.4406897	-0.5594595	0.146
22	MA2	ILC	0.0002857	0.00027	0	0.823	0.4785714	0.4	0.078	0	-0.0482143	-0.225	0.396	0
		IDC	0.0002964	0.00026	0		0.2737931	0.2333333	0.019		-0.5089655	-0.6	0.098
23	MA3	ILC	0.0002714	0.00026	0	0.843	0.4809524	0.42	0.075	0	-0.0428571	-0.18	0.381	0
		IDC	0.0002806	0.00025	0		0.2697135	0.2352113	0.019		-0.5181447	-0.5957746	0.096
24	MA4	ILC	0.0002643	0.00026	0	0.857	0.4961905	0.4733333	0.073	0	-0.0085714	-0.06	0.369	0
		IDC	0.0002726	0.00024	0		0.2629163	0.2257143	0.019		-0.5334384	-0.6171429	0.096
25	MA5	ILC	0.0002614	0.00025	0	0.897	0.4809524	0.42	0.075	0	-0.0428571	-0.18	0.381	0
		IDC	0.0002673	0.00023	0		0.2592004	0.215942	0.019		-0.5417991	-0.6391304	0.097
26	MA6	ILC	0.0002571	0.00025	0	0.883	0.4836735	0.4428571	0.075	0	-0.0367347	-0.1285714	0.379	0
		IDC	0.0002639	0.00023	0		0.2529852	0.2142857	0.019		-0.5557833	-0.6428571	0.095
27	MA7	ILC	0.0002571	0.00025	0	0.909	0.4836735	0.4428571	0.075	0	-0.0367347	-0.1285714	0.379	0
		IDC	0.0002623	0.00023	0		0.2533633	0.215942	0.019		-0.5549325	-0.6391304	0.094
28	MA8	ILC	0.0002571	0.00025	0	0.921	0.4836735	0.4428571	0.075	0	-0.0367347	-0.1285714	0.379	0
		IDC	0.0002616	0.00022	0		0.2525637	0.2043478	0.018		-0.5567316	-0.6652174	0.094
29	MA9	ILC	0.0002571	0.00026	0	0.916	0.4809524	0.5	0.078	0	-0.0428571	0	0.395	0
		IDC	0.0002619	0.00022	0		0.2412894	0.1927536	0.018		-0.582099	-0.6913043	0.094
30	MA10	ILC	0.0002571	0.00026	0	0.897	0.4765808	0.4934426	0.077	0	-0.0526932	-0.0147541	0.392	0
		IDC	0.0002629	0.00022	0		0.2424888	0.1927536	0.018		-0.5794003	-0.6913043	0.093
31	MD1	ILC	0.05204	0.05033	0	0.584	0.5125805	0.4607427	0.071	0.183	0.0283062	-0.0883289	0.359	0.183
		IDC	0.0547979	0.0533	0		0.4198662	0.3999668	0.03		-0.180301	-0.2250747	0.154
32	MD2	ILC	0.0437914	0.04272	0	0.762	0.4835906	0.4324179	0.084	0	-0.0369211	-0.1520597	0.424	0
		IDC	0.0473543	0.04361	0.001		0.1533875	0.1452761	0.005		-0.7798781	-0.7981288	0.023
33	MD3	ILC	0.0385729	0.03673	0	0.703	0.4624763	0.3595953	0.104	0.25	-0.0844283	-0.3159107	0.526	0.25
		IDC	0.0401514	0.03764	0		0.3918904	0.3577974	0.022		-0.2432465	-0.3199559	0.11
34	MD4	ILC	0.0361086	0.03475	0	0.775	0.4434716	0.3704301	0.109	0	-0.1271889	-0.2915323	0.551	0
		IDC	0.0384927	0.03462	0		0.1697139	0.1574659	0.005		-0.7431437	-0.7707017	0.024
35	MD5	ILC	0.0340371	0.0324	0	0.916	0.4321557	0.3535414	0.09	0.309	-0.1526496	-0.3295318	0.455	0.309
		IDC	0.034449	0.03202	0		0.3719233	0.337628	0.021		-0.2881726	-0.3653371	0.104
36	MD6	ILC	0.03237	0.03115	0	0.943	0.4447656	0.3820809	0.094	0.29	-0.1242775	-0.2653179	0.476	0.29
		IDC	0.0326346	0.03018	0		0.3799932	0.3425905	0.022		-0.2700154	-0.3541714	0.111
37	MD7	ILC	0.0312786	0.03111	0	0.947	0.496917	0.4884567	0.095	0.06	-0.0069367	-0.0259724	0.482	0.06
		IDC	0.0310297	0.02836	0		0.3804318	0.3395869	0.022		-0.2690284	-0.3609294	0.112
38	MD8	ILC	0.0299643	0.02948	0	0.936	0.4124411	0.3846485	0.098	0.782	-0.1970076	-0.2595409	0.498	0.782
		IDC	0.0296746	0.02748	0		0.3949918	0.3592924	0.023		-0.2362685	-0.3165921	0.119
39	MD9	ILC	0.0289129	0.02829	0	0.93	0.4372028	0.3998501	0.1	0.24	-0.1412936	-0.2253373	0.506	0.24
		IDC	0.0285969	0.02629	0		0.3642408	0.3276887	0.022		-0.3054582	-0.3877005	0.114
40	MD10	ILC	0.0279657	0.0274	0	0.93	0.4552946	0.4208524	0.111	0.185	-0.1005871	-0.1780822	0.561	0.185
		IDC	0.0276533	0.0254	0		0.3707502	0.3334437	0.023		-0.2908121	-0.3747517	0.119
41	Mean1	ILC	154.47561	153.8334	262.192	0.046	0.508102	0.4985452	0.058	0.466	0.0182295	-0.0032732	0.294	0.466
		IDC	133.5669281	133.9257	739.701		0.4622325	0.4643164	0.025		-0.0849769	-0.080288	0.126
42	Mean2	ILC	154.9300529	153.93231	263.171	0.046	0.5083009	0.4933739	0.059	0.485	0.0186769	-0.0149087	0.298	0.485
		IDC	133.9853676	133.80107	743.532		0.4642531	0.4631839	0.025		-0.0804305	-0.0828363	0.127
43	Mean3	ILC	155.2295157	153.97526	262.773	0.047	0.5063483	0.4874891	0.059	0.522	0.0142836	-0.0281495	0.301	0.522
		IDC	134.3513773	133.63431	746.547		0.4660025	0.4618476	0.025		-0.0764943	-0.0858429	0.127
44	Mean4	ILC	155.4813714	154.00345	261.535	0.049	0.5043486	0.4819574	0.06	0.563	0.0097843	-0.0405958	0.304	0.563
		IDC	134.6905923	133.556	749.536		0.4677783	0.4612096	0.025		-0.0724989	-0.0872784	0.127
45	Mean5	ILC	155.6828743	153.92164	259.71	0.05	0.502263	0.4753364	0.061	0.603	0.0050917	-0.0554931	0.307	0.603
		IDC	135.0195647	133.4474	751.466		0.4693894	0.4602935	0.025		-0.0688738	-0.0893396	0.127
46	Mean6	ILC	155.85402	153.83057	258.456	0.052	0.4994036	0.4682075	0.061	0.65	-0.0013419	-0.0715332	0.311	0.65
		IDC	135.3111239	133.60944	753.521		0.4706914	0.460858	0.025		-0.0659443	-0.0880695	0.127
47	Mean7	ILC	156.0133371	153.7045	258.779	0.053	0.4965284	0.4607118	0.062	0.693	-0.0078111	-0.0883986	0.315	0.693
		IDC	135.566011	134.47293	755.362		0.4715271	0.4652169	0.025		-0.064064	-0.0782619	0.127
48	Mean8	ILC	156.1406957	153.65663	259.239	0.055	0.4942755	0.4554931	0.063	0.73	-0.0128802	-0.1001405	0.32	0.73
		IDC	135.8055795	135.28083	755.887		0.4724357	0.4694081	0.025		-0.0620196	-0.0688318	0.127
49	Mean9	ILC	156.2764029	153.58564	260.251	0.056	0.4915833	0.4493139	0.064	0.769	-0.0189376	-0.1140438	0.325	0.769
		IDC	136.0024805	136.17509	757.413		0.4729756	0.4739708	0.025		-0.0608049	-0.0585657	0.127
50	Mean10	ILC	156.4100486	153.4606	261.816	0.056	0.4897327	0.4431618	0.065	0.798	-0.0231015	-0.1278859	0.33	0.798
		IDC	136.1667878	136.86046	758.508		0.4735092	0.4775047	0.025		-0.0596043	-0.0506145	0.127
51	Dev1	ILC	31.2089386	29.62824	66.875	0.92	0.3774478	0.3264064	0.07	0.411	-0.2757423	-0.3905855	0.353	0.411
		IDC	31.6089927	31.14725	107.689		0.4341146	0.4264074	0.03		-0.148242	-0.1655834	0.152
52	Dev2	ILC	30.8363843	29.51147	64.028	0.877	0.3860399	0.3424812	0.069	0.501	-0.2564103	-0.3544172	0.35	0.501
		IDC	31.4520058	31.0058	106.687		0.4320443	0.4246257	0.029		-0.1529002	-0.1695921	0.149
53	Dev3	ILC	30.64752	29.38955	66.814	0.898	0.3872829	0.3469869	0.069	0.55	-0.2536134	-0.3442794	0.347	0.55
		IDC	31.1554626	30.86903	105.963		0.4278787	0.4231281	0.029		-0.1622729	-0.1729618	0.148
54	Dev4	ILC	30.4715129	29.36539	68.732	0.841	0.3899424	0.3551816	0.068	0.553	-0.2476295	-0.3258415	0.344	0.553
		IDC	31.2711453	30.69913	106.954		0.4303601	0.4208834	0.029		-0.1566899	-0.1780123	0.149
55	Dev5	ILC	30.3944043	29.3589	72.398	0.839	0.3907635	0.3592118	0.067	0.569	-0.2457821	-0.3167734	0.34	0.569
		IDC	31.2027498	30.62765	107.018		0.4295299	0.4200084	0.029		-0.1585578	-0.1799812	0.149
56	Dev6	ILC	30.3165057	29.31353	75.018	0.844	0.3939171	0.3640872	0.066	0.617	-0.2386865	-0.3058038	0.336	0.617
		IDC	31.100533	30.76736	106.621		0.4278925	0.422377	0.029		-0.1622418	-0.1746517	0.148

No	Parameter	Jenis	Transformasi
			Tidak				Biner				Bipolar
			Mean	Median	Variance	P	Mean	Median    Variance		P	Mean	Median	Variance	P
57	Dev7	ILC	30.2518243	29.26637	77.226	0.765	0.3956791	0.3669498	0.066	0.04	-0.2347221	-0.2993629	0.332	0.04
		IDC	31.5819366	30.89529	133.63		0.298055	0.2913614	0.013		-0.4543762	-0.4694368	0.064
58	Dev8	ILC	30.1991443	29.33026	79.463	0.835	0.3978004	0.3729603	0.065	0.676	-0.2299491	-0.2858393	0.329	0.676
		IDC	31.0323292	30.79917	107.529		0.4260945	0.4222572	0.029		-0.1662874	-0.1749212	0.147
59	Dev9	ILC	30.1733129	29.379	81.322	0.836	0.3987856	0.3764222	0.064	0.696	-0.2277323	-0.2780501	0.326	0.696
		IDC	30.9988406	30.82216	107.517		0.4251293	0.4222379	0.029		-0.168459	-0.1749647	0.146
60	Dev10	ILC	30.1827486	29.43967	83.137	0.829	0.3995413	0.378909	0.064	0.702	-0.2260321	-0.2724547	0.324	0.702
		IDC	31.0513794	30.7772	108.334		0.4252601	0.4207975	0.029		-0.1681648	-0.1782056	0.145
61	EntrHd1	ILC	1.5202071	1.52593	0.006	0.894	0.4872385	0.5079989	0.079	0.874	-0.0287133	0.0179976	0.401	0.874
		IDC	1.5257865	1.52902	0.012		0.4759863	0.4812369	0.031		-0.0540308	-0.0422169	0.159
62	EntrHd2	ILC	1.6125686	1.60524	0.006	0.842	0.5014461	0.4706003	0.105	0.966	0.0032537	-0.0661493	0.531	0.966
		IDC	1.6213262	1.62581	0.013		0.4987471	0.504668	0.023		-0.002819	0.0105029	0.116
63	EntrHd3	ILC	1.6695557	1.65913	0.006	0.838	0.485522	0.4415061	0.108	0.647	-0.0325754	-0.1316112	0.549	0.647
		IDC	1.6791019	1.68527	0.015		0.5140367	0.5215805	0.022		0.0315826	0.0485561	0.113
64	EntrHd4	ILC	1.7120586	1.7016	0.007	0.859	0.4705511	0.4284261	0.106	0.369	-0.0662601	-0.1610412	0.534	0.369
		IDC	1.7207762	1.72476	0.016		0.5265654	0.5312314	0.023		0.0597722	0.0702707	0.114
65	EntrHd5	ILC	1.7447471	1.73261	0.007	0.87	0.4453656	0.3990362	0.101	0.156	-0.1229275	-0.2271686	0.513	0.156
		IDC	1.7530858	1.76709	0.018		0.534961	0.550971	0.023		0.0786622	0.1146848	0.118
66	EntrHd6	ILC	1.77156	1.75784	0.007	0.887	0.4391865	0.3900197	0.096	0.118	-0.1368303	-0.2474557	0.487	0.118
		IDC	1.7790535	1.79565	0.019		0.5394465	0.5582517	0.024		0.0887546	0.1310662	0.123
67	EntrHd7	ILC	1.7942429	1.78007	0.008	0.954	0.4378096	0.390478	0.092	0.084	-0.1399284	-0.2464245	0.464	0.084
		IDC	1.7974672	1.82169	0.021		0.5504617	0.57697	0.025		0.1135389	0.1731824	0.128
68	EntrHd8	ILC	1.8133386	1.79692	0.009	0.918	0.4253529	0.3731808	0.089	0.062	-0.1679559	-0.2853432	0.453	0.062
		IDC	1.8190492	1.84186	0.021		0.548879	0.5744785	0.026		0.1099777	0.1675766	0.133
69	EntrHd9	ILC	1.8293657	1.80894	0.009	0.923	0.4184739	0.3559167	0.087	0.039	-0.1834337	-0.3241874	0.439	0.039
		IDC	1.8348149	1.84937	0.022		0.5569425	0.5732015	0.027		0.1281206	0.1647034	0.137
70	EntrHd10	ILC	1.8435843	1.81999	0.01	0.93	0.4121882	0.3415625	0.085	0.023	-0.1975765	-0.3564843	0.431	0.023
		IDC	1.8486772	1.85735	0.023		0.5670632	0.5767132	0.028		0.1508923	0.1726046	0.142
71	MaHd1	ILC	0.0362171	0.03479	0	0.758	0.5013922	0.4395777	0.073	0.293	0.0031325	-0.1359502	0.372	0.293
		IDC	0.0373317	0.03535	0		0.424325	0.3856585	0.034		-0.1702688	-0.2572683	0.172
72	MaHd2	ILC	0.0297257	0.02914	0	0.892	0.4684077	0.4305892	0.101		-0.0710827	-0.1561743	0.511	0.25
		IDC	0.0301529	0.02903	0		0.3940578	0.3725926	0.025		-0.23837	-0.2866667	0.124
73	MaHd3	ILC	0.0262943	0.02578	0	0.948	0.4470491	0.4073359	0.119	0.227	-0.1191395	-0.2084942	0.603	0.227
		IDC	0.0264829	0.02491	0		0.3724164	0.3422265	0.021		-0.287063	-0.3549904	0.108
74	MaHd4	ILC	0.0239829	0.02347	0	0.944	0.4561356	0.4153923	0.112	0.112	-0.0986949	-0.1903674	0.567	0.112
		IDC	0.0241821	0.02256	0		0.3594154	0.3277344	0.021		-0.3163153	-0.3875977	0.105
75	MaHd5	ILC	0.0223143	0.02196	0	0.943	0.463004	0.4332634	0.116	0.073	-0.0832409	-0.1501574	0.588	0.073
		IDC	0.0225104	0.0209	0		0.3525976	0.3202112	0.021		-0.3316555	-0.4045249	0.107
76	MaHd6	ILC	0.0210329	0.02076	0	0.942	0.4726601	0.4491379	0.113	0.048	-0.0615148	-0.1144397	0.573	0.048
		IDC	0.0212292	0.01966	0		0.3495413	0.3167971	0.022		-0.338532	-0.4122066	0.111
77	MaHd7	ILC	0.0200086	0.01979	0	0.925	0.479655	0.4616099	0.106	0.035	-0.0457762	-0.0863777	0.536	0.035
		IDC	0.0202617	0.0186	0		0.3467379	0.3109346	0.023		-0.3448397	-0.4253973	0.116
78	MaHd8	ILC	0.0190671	0.01916	0	0.896	0.4927047	0.5004145	0.107	0.023	-0.0164145	0.0009326	0.542	0.023
		IDC	0.019414	0.01761	0		0.3205431	0.3055025	0.024		-0.3464577	-0.4376193	0.122
79	MaHd9	ILC	0.0184157	0.01862	0	0.894	0.5096228	0.5266112	0.098	0.008	0.0216513	0.0598753	0.497	0.008
		IDC	0.0187663	0.01691	0		0.3390999	0.2970555	0.024		-0.3620251	-0.4566251	0.123
80	MaHd10	ILC	0.0178014	0.01787	0	0.891	0.5177947	0.5234327	0.092	0.004	0.0400382	0.0527235	0.467	0.004
		IDC	0.0181572	0.0166	0		0.3306607	0.2950885	0.024		-0.3810134	-0.4610508	0.122
81	MeanHd1	ILC	12.8764514	12.69063	6.686	0.919	0.4718734	0.4499186	0.093	0.302	-0.0632848	-0.1126831	0.473	0.302
		IDC	13.0044315	12.75173	10.813		0.4000379	0.3868078	0.03		-0.2249147	-0.2546824	0.15
82	MeanHd2	ILC	16.0138443	15.31215	12.042	0.864	0.4144238	0.3554289	0.085	0.675	-0.1925464	-0.3252849	0.431	0.675
		IDC	16.3007437	15.93095	19.002		0.3891373	0.3766495	0.022		-0.2494411	-0.2775387	0.11
83	MeanHd3	ILC	18.13839	17.39395	14.074	0.777	0.4218649	0.3621928	0.09	0.595	-0.1758039	-0.3100661	0.458	0.595
		IDC	18.7080357	18.18911	27.557		0.3902687	0.3760328	0.021		-0.2468954	-0.2789262	0.105
84	MeanHd4	ILC	19.8918086	19.11603	16.885	0.729	0.4249895	0.3678467	0.092	0.598	-0.1687735	-0.297345	0.464	0.598
		IDC	20.6860886	20.12614	35.803		0.3936045	0.380135	0.021		-0.2393898	-0.2696962	0.105
85	MeanHd5	ILC	21.4161543	20.49822	20.516	0.71	0.4147857	0.3535679	0.091	0.748	-0.1917321	-0.3294722	0.462	0.748
		IDC	22.3636332	21.79929	44.238		0.3955253	0.3832088	0.021		-0.2350681	-0.2627802	0.107
86	MeanHd6	ILC	22.7707043	21.75637	24.159	0.689	0.4100903	0.3478705	0.091	0.837	-0.2022968	-0.3422914	0.46	0.837
		IDC	23.8832428	23.98883	52.67		0.3976166	0.3997647	0.022		-0.2303627	-0.2255293	0.11
87	MeanHd7	ILC	23.9815157	22.72467	29.036	0.679	0.4076298	0.3382207	0.089	0.914	-0.2078329	-0.3640034	0.448	0.914
		IDC	25.2233172	25.22936	61.185		0.4009549	0.4010711	0.023		-0.2228516	-0.2225899	0.115
88	MeanHd8	ILC	25.0965229	23.68165	33.574	0.677	0.3986875	0.3267356	0.087	0.928	-0.227953	-0.3898449	0.44	0.928
		IDC	26.4331844	26.4097	69.869		0.4043851	0.4039505	0.024		-0.2151336	-0.2161114	0.121
89	MeanHd9	ILC	26.0930457	24.36689	37.984	0.67	0.393102	0.3116336	0.085	0.769	-0.2405205	-0.4238245	0.428	0.769
		IDC	27.5453989	27.07163	79.037		0.4119817	0.4035183	0.025		-0.1980412	-0.2170839	0.128
90	MeanHd10	ILC	27.0679543	25.02286	42.727	0.68	0.6533958	0.2954087	0.084	0.595	-0.2567234	-0.4603305	0.424	0.595
		IDC	28.5556697	27.35412	88.345		0.4212323	0.4002156	0.027		-0.1772273	-0.2245149	0.137

Untuk memilih parameter yang signifikan yang benar-benar mampu membedakan IDC dan ILC dari ketiga jenis data pada table 1, kami mengambil nilai yang P value < 0.05, hasilnya seperti table 2.

	Table 2. Parameter yang Signifikan
Jenis Data	Parameter signifikan
Tidak ditransformasi	Mean 1, mean 2, mean 3 dan mean 4
Ditarnsformasi Biner	MA 2, MA 3, MA 4, MA 5, MA 6, MA 7, MA 8, MA 9, MA 10, MD 2, MD 4, EntrHd 9, EntrHd 10, MAHd 6, MaHd 7, MAHd 8, MAHd 9, MAHd 10
Ditransformasi Bipolar	MA 2, MA 3, MA 4, MA 5, MA 6, MA 7, MA 8, MA 9, MA 10, MD 2, MD 4, DEV 7, EntrHd 9, EntrHd 10, MAHd 6, MaHd 7, MAHd 8, MAHd 9, MAHd 10

3.    Hasil dan Diskusi

3.1 Hasil

Hasil visualisasi IDC dan ILC dengan cara memisahan background dengan massa yang mencurigakan ternyata memiliki visual yang berbeda seperti gambar 1.

IDC

ILC

Gambar 1. IDC dan ILC

Hasil perhitungan parameter fisis menggunakan persamaan (1) sampai (10) diperoleh ring nilai parameter fisi seperti table 3.

Table 3. Range Nilai Besaran Fisis Film ILC dan IDC untuk Data Tidak Dinormalisasi

No	Besaran Fisis	ILC	IDC
1	Entropy	3.49541- 3.79207	3.1047 - 3.93558
2	Contrast	151.01428- 3024.44113	86.08063- 4736.43024
3	Moment anguler kedua	0.00019- 0.00073	0.00013- 0.0009
4	Moment Differensial Invers.	0.02213- 0.06482	0.0113- 0.392
5	Mean.	127.05144- 182.39332	71.16284- 210.21205
6	Deviation.	19.39466- 48.20695	11.06751- 93.33126
7	Entropy of Hdiff.	1.41346- 2.00655	1.29424- 2.1479
8	moment anguler of Hdiff	0.01272- 0.04542	0.00806 - 0.06171
9	Mean of Hdiff	9.72898- 38.68645	7.27355- 55.92737

3.2 Diskusi

Dari gambar 1 terlihat ada perbedaan visual IDC dengan ILC dilihat dari puncak grafiknya, IDC mempunyai puncak lebih tinggi dari ILC. Dari table 3 terlihat range nilai parameter fisika ILC lebih

tinggi dari IDC. Dari table 1 terlihat besaran fisis yang berbengaruh untuk membedakan jenis histopatologi ILC dan IDC untuk data tidak ditransformasi adalah mean1, mean2, mean3 dan mean4, sedangkan yang ditransformasi Biner adalah MA 2, MA 3, MA 4, MA 5, MA 6, MA 7, MA 8, MA 9, MA 10, MD 2, MD 4, EntrHd 9, EntrHd 10, MAHd 6, MaHd 7, MAHd 8, MAHd 9, MAHd 10, sedangkan untuk Bipolar adalah MA 2, MA 3, MA 4, MA 5, MA 6, MA 7, MA 8, MA 9, MA 10, MD 2, MD 4,DEV 7, EntrHd 9, EntrHd 10, MAHd 6, MaHd 7, MAHd 8, MAHd 9, MAHd 10 Untuk penelitian berikutnya kami akan menggunakan parameter fisik yang signifikan ini sebagai parameter masukkan dari metode JST Backpropagation untuk TA kami, dan kami akan menguji kinerja dari metode JST Backpropagation, dengan cara menghitung nilai Accuracy, Sensitivity, Specificity dan precission.

• 4.    Kesimpulan

Dari visul grafik IDC mempunyai puncak lebih tinggi dari ILC, range nilai parameter fisika ILC lebih tinggi dari IDC, besaran fisis yang berbengaruh untuk membedakan jenis histopatologi ILC dan IDC adalah mean1, mean2, mean3 dan mean4, sedangkan yang ditransformasi Biner adalah MA 2, MA 3, MA 4, MA 5, MA 6, MA 7, MA 8, MA 9, MA 10, MD 2, MD 4, EntrHd 9, EntrHd 10, MAHd 6, MaHd 7, MAHd 8, MAHd 9, MAHd 10, sedangkan untuk Bipolar adalah MA 2, MA 3, MA 4, MA 5, MA 6, MA 7, MA 8, MA 9, MA 10, MD 2, MD 4,DEV 7, EntrHd 9, EntrHd 10, MAHd 6, MaHd 7, MAHd 8, MAHd 9, MAHd 10.

Daftar Pustaka

• [1]    F. Eddaoudi and F. Regragui, “Microcalcifications Detection in Mammographic Images

Using Texture Coding,” 2011.

• [2]    B. Senthilkumar and G. Umamaheswari, “A Novel Edge Detection Algorithm for the

Detection      of      Breast      Cancer,”      2011.      [Online].      Available:

http://www.eurojournals.com/ejsr.htm

• [3]    B. Charan Patel, “An Adaptive K-means Clustering Algorithm for Breast Image

Segmentation,” 2010.

• [4]    B. Charan Patel, “Early Detection of Breast Cancer using Self Similar Fractal Method,”

2010.

• [5]    D. Sankar and T. Thomas, “Fractal Features based on Differential Box Counting Method

for the Categorization of Digital Mammograms.” [Online]. Available: http://www.mirlabs.org/ijcisim

• [6]    J. June June, “Detection of Microcalcification Clusters in Mammograms using Neural

Network,” 2010.

• [7]    “Dr.H.B.Kekre_print”.

• [8]    F. Eddaoudi, F. Regragui, A. Mahmoudi, and N. Lamouri, “Masses Detection Using SVM

Classifier Based on Textures Analysis,” 2011.

• [9]    M. Nielsen et al., “A novel and automatic mammographic texture resemblance marker is

an independent risk factor for breast cancer,” Cancer Epidemiol, vol. 35, no. 4, pp. 381– 387, Aug. 2011, doi: 10.1016/j.canep.2010.10.011.

• [10]    M. Vasantha, D. V Subbiah Bharathi, and R. Dhamodharan, “Medical Image Feature, Extraction, Selection and Classification,” 2010.

• [11]    P. H. Tsui, Y. Y. Liao, C. C. Chang, W. H. Kuo, K. J. Chang, and C. K. Yeh, “Classification of benign and malignant breast tumors by 2-D analysis based on contour description and scatterer characterization,” IEEE Trans Med Imaging, vol. 29, no. 2, pp. 513–522, Feb. 2010, doi: 10.1109/TMI.2009.2037147.

• [12]    R. Krishnamoorthy, N. Amudhavalli, and M. K. Sivakolundu, “Identification of Microcalcifications with Orthogonal Polynomials Model,” 2010.

• [13]    K. Sujatha and V. C. Sumitha, Dual Tree Complex with Modified Complex Ridgelets for Image Denoising in Digital Mammographic Images. 2007.

• [14]    Y. Zheng, “Breast cancer detection with gabor features from digital Mammograms,” Algorithms, vol. 3, no. 1, pp. 44–62, Mar. 2010, doi: 10.3390/a3010044.

• [15]    S. Saheb Basha and D. K. Satya Prasad, “Automatic Detection of Breast Cancer Mass In Mammograms Using Morphological Operators And Fuzzy C-Means Clustering,” 2005. [Online]. Available: www.jatit.org

• [16]    “classification of the medical images by the kohonen network SOM and LVQ”.

• [17]    S. Bouyahia, J. Mbainaibeye, and N. Ellouze, “Wavelet Based Microcalcifications Detection in Digitized Mammograms.” [Online]. Available: http://www.enit.rnu.tn

• [18]    A. A. N. Gunawan, S. Poniman, and I. W. Supardi, “Classification of breast cancer grades using physical parameters and K-nearest neighbor method,” Telkomnika (Telecommunication Computing Electronics and Control), vol. 17, no. 2, pp. 637–644, Apr. 2019, doi: 10.12928/Telkomnika.V17I2.9797.

916