Syntax Literate: Jurnal Ilmiah Indonesia p–ISSN:
2541-0849 e-ISSN: 2548-1398
Vol. 9, No. 4, April 2024
KLASIFIKASI KANKER PAYUDARA MENGGUNAKAN CITRA TERMAL
BERDASARKAN FILTER GABOR
Listia Sukma Putri1*, Fitri Arnia2, Rusdha Muharar3
Universitas Syiah Kuala, Banda Aceh, Aceh, Indonesia1,2,3
Email:
[email protected]*
Abstrak
Penelitian ini bertujuan untuk mengambil nilai fitur dari citra termal
payudara melalui ekstraksi fitur Filter Gabor, dengan fokus pada mean, variance, kurtosis, skewness, dan entropi, serta untuk mengevaluasi
kinerja tiga metode klasifikasi, yaitu K-Nearest
Neighbor (KNN), Support Vector Machine (SVM), dan Artificial Neural Network
(ANN). Kanker payudara merupakan masalah kesehatan yang serius, terutama
bagi perempuan, karena potensial menyebabkan kematian. Dalam upaya mengurangi
risiko kematian, penelitian dilakukan untuk mendeteksi kanker secara dini,
termasuk menggunakan termografi. Metode ini memanfaatkan suhu dari objek untuk
mendeteksi kanker, dimana pola suhu yang berbeda di area payudara yang terkena
kanker dapat diamati karena peningkatan aliran darah. Penelitian menggunakan
citra termal dari Database for Mastology
Research (DMR) sebanyak 150 citra, dengan 108 citra sehat dan 42 citra
sakit. Fitur tekstur diekstraksi menggunakan Filter Gabor dengan variasi skala
dan sudut orientasi tertentu. Hasilnya diuji dengan beberapa metode
klasifikasi, dimana ANN menunjukkan akurasi tertinggi yaitu 88.88%, diikuti
oleh KNN dengan 86.66% dan SVM dengan 84.44%. Hasil ini menegaskan bahwa
termografi bersama dengan ekstraksi fitur tekstur dan algoritma pembelajaran
mesin dapat efektif dalam mendeteksi kanker payudara secara dini, menawarkan
potensi diagnosis dini dan manajemen penyakit yang efektif.
Keywords: Deteksi Kanker
Payudara, Citra Termal,
Filter Gabor, K-Nearest Neighbor, Support Vector Machine, Artificial Neural
Network
Abstract
This study aims to extract feature values from thermal
breast images using Gabor Filter feature extraction, focusing on mean,
variance, kurtosis, skewness, and entropy, and to evaluate the performance of
three classification methods, namely K-Nearest Neighbor (KNN), Support Vector
Machine (SVM), and Artificial Neural Network (ANN). Breast cancer is a serious
health issue, especially for women, as it can potentially lead to death. In an
effort to reduce mortality risks, research is conducted to detect cancer early,
including the use of thermography. This method utilizes temperature from
objects to detect cancer, where different temperature patterns in breast areas
affected by cancer can be observed due to increased blood flow. The study
employs thermal images from the Database for Mastology Research (DMR),
consisting of 150 images, with 108 healthy and 42 diseased images. Texture
features are extracted using Gabor Filter with variations in scale and
orientation angles. The results are tested using several classification
methods, with ANN showing the highest accuracy of 88.88%, followed by KNN with
86.66% and SVM with 84.44%. These findings confirm that thermography, along
with texture feature extraction and machine learning algorithms, can
effectively detect breast cancer early, offering potential for early diagnosis
and effective disease management.
Keywords: Breast cancer detection, thermal image, Gabor filter, K-Nearest Neighbor,
Support Vector Machine, Artificial Neural Network
Pendahuluan
Kanker menjadi penyebab utama kematian
di seluruh dunia yaitu sekitar 9.6 juta kematian di tahun 2018, dan disebutkan
bahwa kanker yang paling umum di derita yaitu kanker paru-paru, payudara,
kanker usus besar (kolorektal), prostat, kanker kulit serta perut (Angelica,
2024; WHO, 2018).
Kanker payudara paling umum diderita oleh wanita dan berada di urutan kedua
dengan 2.09 juta kasus (Sa’adati,
2021).
Usia rata-rata diagnosis adalah 60 tahun, 78% diantaranya terjadi pada wanita
diatas usia 50 tahun, dan usia dibawah 40 tahun sebanyak 6% (Lashkari,
2010).
Meskipun banyak penyebab kanker yang tidak diketahui, namun usia menjadi suatu
hal yang penting karena dapat menjadi salah satu pemicu terjadinya kanker. Pasien
yang telah didiagnosis kanker sanggup bertahan hidup selama lebih dari 5 tahun,
dimana 95% merupakan penderita kanker awal dan 23% penderita kanker serius (Lashkari,
2010).
Jumlah kematian akibat kanker payudara diperkirakan pada tahun 2021 akan
mencapai 2.5 juta kasus (Ma et al.,
2019),
hal ini mengalami peningkatan jika dibandingkan dengan 2018. Oleh karena itu
berbagai upaya pencegahan dan deteksi dini sangat penting untuk dilakukan.
Saat ini prosedur rutin yang dilakukan
untuk mendeteksi kanker payudara adalah pemeriksaan fisik dan mamografi.
Mamografi merupakan salah satu pemeriksaan payudara dengan menggunakan sinar
x-ray dosis rendah (Khan &
Arora, 2018; Lashkari, 2010). Namun,
kedua prosedur ini biasanya tidak dapat mendeteksi kanker stadium awal, dan
kanker baru akan ditemukan pada stadium pertengahan hingga akhir. Mamografi
dapat mendeteksi tumor rata-rata dengan ukuran 1.66 cm dan thermografi dengan
ukuran 1.28 cm (Khan &
Arora, 2018).
Penelitian terkait deteksi kanker menggunakan citra mammogram telah dilakukan (Lashkari,
2010),
yaitu dengan menggunakan metode Jaringan Saraf Tiruan dan Filter Gabor. Hal ini
dilakukan untuk menentukan bentuk kelainan pada jaringan payudara dengan
deskripsi yang jelas dari jaringan payudara. Tujuan dari penelitian tersebut
adalah mengklasifikasi payudara menjadi kelas normal dan abnormal secara
otomatis, menghemat waktu radiologi, selanjutnya meningkatkan akurasi dan hasil
diagnosis.
Selain menggunakan mamografi, beberapa
teknik lainnya juga dapat dilakukan untuk deteksi kanker, seperti penelitian (Sahar et
al., 2017)
yang menggunakan Ultrasonography (USG) untuk deteksi kelainan jaringan
abnormal pada payudara, ada pula yang menggunakan Magnetic Resonance Imaging
(MRI), namun sebagian pasien merasa tidak nyaman karena penggunaan magnet
yang kuat (Ma et al.,
2019).
Metode pendeteksian kanker terus
berkembang dan saat ini dapat pula menggunakan citra termogram dengan
memanfaatkan temperatur berdasarkan ciri dari penyakit kanker yaitu pertumbuhan
sel yang tidak normal dan dapat dimulai di hampir semua organ atau jaringan
tubuh (Sariyati,
2023).
Kanker biasanya menyerang jaringan bagian tubuh yang berdampingan dan dapat
pula menyebar ke organ lain. Hal ini disebabkan oleh hilangnya sistem kontrol
dan mekanisme normal pada tubuh. Penelitian secara klinis membuktikan bahwa
suhu tertentu pada bagian tubuh yang berbeda dapat dikaitkan dengan kondisi
normal dan abnormal (Nola &
Kolanc, 2015).
Pada tubuh yang sehat, sel-sel akan berkembang sebagaimana semestinya secara
normal. Pada tahun 1956 salah seorang ilmuwan bernama Lawson menemukan jaringan
kulit pasien kanker payudara memiliki suhu kulit yang lebih tinggi pada bagian
kanker dibandingkan dengan jaringan normal sekitarnya dan aliran darah pada
vena lebih hangat dibandingkan dari suplai arteri (Nola &
Kolanc, 2015). Berkembangnya sel-sel kanker pada area
payudara dapat menjadi penyebab aliran darah maupun pembuluh darah menjadi
tidak lancar dan tidak teratur. Berdasarkan aktivitas tinggi di jaringan sel
yang abnormal, memberikan indikasi temperatur pada area tersebut menjadi lebih
tinggi daripada area sekitarnya yang normal (Nola &
Kolanc, 2015).
Salah satu perangkat fotografi, yaitu kamera inframerah dapat digunakan untuk
mendeteksi variasi pancaran radiasi inframerah
pada suatu objek berdasarkan pada perbedaan suhu atau temperatur. Pada
proses pendeteksian citra termal payudara akan dicari wilayah dengan temperatur
berbeda yang mencerminkan kelainan lokal, yaitu wilayah yang diduga terjangkit
kanker (Nola &
Kolanc, 2015).
Penelitian terkait kanker payudara
berdasarkan citra termal juga telah banyak dilakukan, diantaranya adalah
deteksi kanker payudara berdasarkan entropi dan histogram (Nurhayati
et al., 2011).
Entropi merupakan nilai statistik acak yang dapat digunakan sebagai ciri
tekstur dari citra abu-abu dan histogram bertujuan untuk mendapatkan sebaran
nilai intensitas piksel suatu citra berdasarkan kecerahan dan kontras gambar.
Selanjutnya hasil proses dianalisis berdasarkan nilai perhitungan statistic
mean, standar deviasi dan nilai entropi. Pada penelitian lainnya ada yang
bertujuan untuk membandingkan beberapa metode klasifikasi yang berbeda yaitu Support
Vector Machine, Naive Bayes dan K-Nearest Neighbor untuk deteksi kanker
berdasarkan citra mamogram dan thermogram. Metode yang sama digunakan untuk
mamogram dan thermogram menggunakan Gray Level Co-occuration Matrices (GLCM),
dan berdasarkan ketiga metode klasifikasi tersebut menunjukkan bahwa SVM menghasilkan klasifikasi paling baik yaitu
mencapai 83.7% untuk citra mamogram dan 88% untuk termogram (Milosevic
et al., 2015).
Salah
satu metode yang sering digunakan untuk identifikasi citra biometrik adalah
filter gabor. Pada penelitian (Rahman
& Bhuiyan, 2008) ini
menerapkan algoritma Elastic
Bunch Graph Map
(EBGM) dengan menggunakan filter gabor berdasarkan 5 skala
dan 8 sudut untuk pengenalan wajah. Kemudian akan diambil nilai titik
intensitas maksimum yang ditemukan dan ditandai pada setiap citra sebagai titik
acuan. Titik maksimum ini dikenal sebagai titik fidusia. Untuk proses
pengenalan dilakukan dengan mengukur jarak setiap titik acuan citra tersebut
menggunakan pengukuran jarak yaitu euclidean. Ketika dibandingkan jika
terjadi kecocokan dengan citra yang ada pada database maka itu artinya citra
tesebut berhasil dikenali, dan pada penelitian tersebut berdasarkan 70 citra
yang di uji coba, 66 gambar dinyatakan cocok dan 4 gambar tidak cocok sehingga
akurasi mencapai 94.29% (Rahman
& Bhuiyan, 2008).
Metode
ekstraksi ciri gabor filter yang memiliki paramaeter frekuensi dan orientasi
juga digunakan untuk identifikasi kain Tapis Lampung. Kain berbentuk sarung ini
biasanya dipakai oleh wanita suku lampung. Data yang digunakan adalah citra
kain dengan 3 jenis yaitu Bintang Perak, Sasab, dan Gunung Beradu, dengan total
dataset 525 masing-masing jenis kain tapis berjumlah 175 citra. Selanjutnya
untuk klasifikasi masing-masing jenis kain tapis menggunakan Probablity
Neural Network (PNN) dan berdasarkan gabungan metode tersebut diperoleh
akurasi sebesar 96% (Tanjung
& Andrian, 2020).
Pada tahun 2018, deteksi kanker
payudara menggunakan citra thermal, dengan dataset yang berasal dari Database
for Mastology Research (DMR) juga telah dilakukan yaitu berupa ektraksi
fitur menggunakan filter gabor dan selanjutnya kondisi normal dan abnormal di
klasifikasi menggunakan Support Vector Machine (SVM), dimana dengan
menggunakan metode tersebut menghasilkan 84.5% (Khan &
Arora, 2018).
Di tahun yang sama pula penelitian lainnya dilakukan yaitu berdasarkan
Histogram statistik dan Gray Level Co-occurrence Matrix (GLCM) untuk
ekstraksi fitur dan metode KNN untuk klasifikasi. Pada penelitian tersebut
dinyatakan bahwa dari beberapa fitur GLCM yang diuji yaitu energi homogenitas
dan kontras memiliki perbedaan yang signifikan antara sehat dan sakit begitu
pula dengan beberapa fitur statistik yang di uji, nilai mean, entropi,
dan skewness dapat menunjukkan apakah thermogram tersebut memiliki
kanker atau tidak (Rasyid et
al., 2018).
Berdasarkan
uraian tersebut diatas, dapat dipahami bahwa tekstur termal merupakan bagian
penting dalam mendeteksi kanker payudara, dan pada penelitian ini akan
menerapkan Filter Gabor sebagai metode ekstraksi fitur. Ekstraksi fitur ini
bertujuan untuk memunculkan ciri pada suatu citra berdasarkan kombinasi
orientasi dan skala, selain itu metode ini juga sering digunakan dalam
mengekstraksi ciri biometrik. Selanjutnya untuk proses pengklasifikasian akan
menggunakan beberapa metode klasifikasi yaitu K-Nearest Neighbor (KNN), Support
Vector Machine (SVM) dan Artificial Neural Network (ANN). Perpaduan
metode ini diharapkan mampu menjadi alternatif untuk pendeteksian kanker
payudara sehingga penderita dapat ditangani dengan cepat dan kesempatan untuk
bertahan hidup dapat ditingkatkan. Selain itu dengan menggunakan beberapa
metode klasifikasi, akan diketahui metode klasifikasi mana yang memiliki
tingkat akurasi paling tinggi untuk pendeteksian kanker payudara terhadapa
citra termal.
Penelitian
ini bertujuan untuk; (1) mendapatkan nilai fitur citra termal payudara dari
ekstraksi fitur Filter Gabor berdasarkan nilai mean, variance,
kurtosis, skewness, entropi, dan (2) mengukur kinerja berdasarkan tiga (3)
metode klasifikasi yaitu K-Nearest Neighbor (KNN), Support Vector
Machine (SVM) dan Artifial Neural Network (ANN).
Metode Penelitian
Objek pada penelitian ini berasal dari Database
for Mastology Research (DMR) yang berupa dataset sampel citra termal
payudara dengan diagnosa sehat dan sakit. DMR merupakan basis data yang dapat
digunakan sebagai penunjang penelitian yang terkait dengan citra termal
payudara. Untuk peralatan yang digunakan pada dataset tersebut adalah kamera
termal FLIR model SC620, yang memiliki sensitivitas range kurang dari 0.04 dan
standar capture -40 ke 500. Seluruh gambar masing-masing memiliki dimensi yang
sama yaitu 640x480 pixel. Kondisi ruangan yang digunakan yaitu suhu antara 20֯, tidak ada jendela, tidak ada
bukaan dan tidak ada aliran udara yang diarahkan ke pasien. Hanya lampu neon
yang digunakan di dalam ruangan untuk penerangan (Silva et
al., 2014).
Dataset ini dapat diakses secara online dari situs http://visual.ic.uff.br/dmi/,
dan tampilan beberapa contoh citra payudara termal yang tersedia dapat
dilihat pada gambar 1.
Gambar 1. Contoh Citra Termal Payudara Pada
DMR
Selanjutnya
pada
dataset tersebut juga tersedia sebagian informasi terkait pasien, seperti usia,
ras, riwayat kesehatan, dan diagnosa. Selain itu juga terdapat 2 kategori
pasien, yaitu seperti terlihat pada gambar 2 dengan diagnosa sehat,
dan gambar 3.3 dengan diagnosa sakit.
Gambar 2. Informasi Pasien Dengan Diagnosa
Sehat
Gambar 3. Informasi Pasien Dengan Diagnosa
Sakit
Informasi
lainnya yaitu total dataset yang tersedia pada situs http://visual.ic.uff.br/dmi/
adalah 239 orang dengan rantang usia pasien terdiri dari 23 tahun sampai dengan
120 tahun, namun pasien dengan usia 23 hingga 40 tahun hanya sebesar 5%,
selebihnya di dominasi oleh usia 41 tahun sampai dengan 90 tahun yaitu sebesar
88% dari total dataset.
Alat Penelitian
Untuk dapat membuktikan hipotesa yang
telah dibuat sebelumnya, berikut perlengkapan yang di gunakan pada penelitian
ini:
- Software
Matlab R2019a
- Laptop
Latitude 6430U, Processor Intel (R)Core (TM) i5-3437U CPU @1.90Hz ⁓ 2.40
Hz, RAM 8.00 GB
- Software
WEKA 3.9.4
Prosedur
Penelitian
Pada bagian ini akan dijelaskan dari setiap tahapan yang
dilakukan pada penelitian ini.
1) Input
Citra
Pada penelitian ini menggunakan citra yang telah tersedia pada database,
yaitu 150 citra yang terdiri dari 108 citra termal payudara dengan diagnosa
sehat dan 42 citra termal payudara dengan diagnosa sakit.
2) Prepocessing
Pemrosesan dimulai dengan tahap prepocessing yaitu
konversi citra termal menjadi citra grayscale, kemudian dilakukan proses
pemotongan/pemisahan secara manual berdasarkan Region Of Interest (ROI)
untuk memperoleh hanya citra payudara kiri dan kanan secara berdampingan.
Selanjutnya dilakukan normalisasi pada seluruh citra tersebut sehingga memiliki
dimensi yang sama yaitu 500x230 piksel dengan format jpg.
3) Ekstraksi
Proses ektraksi fitur dilakukan dengan metode Filter
Gabor berdasarkan parameter ciri mean, variance, skewness, kurtosis, dan
entropi. Pada penelitian ini mengunakan nilai skala 2 dengan nilai
orientasi yaitu 0֯, 30֯, 45֯, 60,֯ 90,֯ 135,֯ 180֯, 270֯ sehingga menghasilkan akurasi yang berbeda-beda. Berikut contoh
gambar yang dihasilkan berdasarkan masing-masing nilai orientasi.
|
|
|
|
(a)
Citra masukan |
(b)
orientasi 0֯ |
|
|
|
|
(c) orientasi 45֯ |
(d)
orientasi 90֯ |
Gambar
4. Pemrosesan Filter Gabor Dengan Sudut Orientasi Yang
Berbeda
Pada
Gambar 4 diatas tampak beberapa contoh hasil dari Gabor berdasarkan citra
masukan dari masing-masing nilai orientasi 0֯, 45֯, dan 90֯. Parameter yang menjadi acuan dalam gabor yaitu orientasi dan
skala, kombinasi skala atau orientasi yang berbeda maka akan menghasikan nilai
ciri yang berbeda pula.
4) Klasifikasi
Proses klasifikasi pada penelitian ini menggunakan software
WEKA. Nilai fitur yang di peroleh akan menjadi nilai inputan pada klasifikasi.
Metode klasifikasi yang digunakan ada beberapa yaitu, KNN, SVM dan ANN. KNN
dilakukan berdasarkan besar nilai K yang berbeda, yaitu K = 3, 5, dan 7.
Penggunaan nilai K dapat mempengaruhi hasil klasifikasi karena KNN merupakan
algortitma yang berhubungan dengan jarak nilai ketetanggaan piksel pada citra.
Besaran jarak yang digunakan yaitu euclidean. Jarak yang terdekat akan
dikategorikan ke dalam bentuk mirip/sama dengan objek, sedangkan jarak yang
jauh akan dikategorikan sebagai perbedaan dengan objek Berdasarkan hal
tersebut, maka pemakaian nilai k yang berbeda dapat dilakukan untuk mengetahui
perbandingan akurasi, dengan menggunakan jumlah nilai fitur yang sama.
Pada metode SVM dengan classifire Classifier Sequential
Minimal Optimization
(SMO) memiliki beberapa parameter yang memiliki nilai awal masing-masing yang
sudah ditetapkan oleh tools WEKA. Salah satu parameter yang digunakan yaitu
Kernel dan pada Polynomial Kernel terdapat beberapa parameter, salah
satunya adalah nilai eksponen. Nilai eksponen akan mempengaruhi hasil akhir
dari hyperplane. Pada penelitian ini dilakukan uji coba training dan
test yang berdasarkan perbedaan nilai eksponen yaitu dengan nilai 2.0 hingga
3.0
Selanjutnya
metode ANN akan diuji berdasarkan hidden layer. Proses klasifikasi yang
digunakan dengan dua hidden layer dengan beragam node yaitu 4,3; 4,2; 3,2; 2,2
sehingga hasil training terbaik akan diterapkan pada data test. Secara
keseluruhan dataset citra terdiri dari 150 citra yang kemudian di bagi menjadi
dua bagian yaitu 105 citra training dan menjadi citra test yaitu
sebanyak 45 citra. Selanjutnya untuk mengestimasi kinerja berdasarkan pemodelan
atau informasi dari data training dengan menggunakan teknik n-fold
cross validation berdasarkan nilai n-fold yang beragam.
Hasil Dan Pembahasan
Pada penelitian ini menggunakan sampel
citra termal payudara yang berjumlah 150 citra, terdiri dari 108 citra dengan
diagnosis sehat dan 42 citra dengan diagnosis sakit. Citra tersebut kemudian
dibagi ke dalam 2 (dua) bagian yaitu training sejumlah 105 dan testing 45
citra, selanjutnya untuk mengestimasi kinerja berdasarkan pemodelan training
menggunakan teknik n-fold cross validation.
Klasifikasi K-Nearest
Neighbor (KNN)
Setelah hasil fitur diperoleh, maka tahapan selanjutnya
yang dilakukan yaitu pengklasifikasian menggunakan KNN. Pengujian dilakukan
berdasarkan beberapa studi kasus, yaitu berdasarkan nilai K (3, 5, 7) dan juga n-fold (5, 8, 10, 15). Pada
proses ektraksi, ada beberapa orientasi sudut yang digunakan yaitu orientasi
sudut 0, 30, 45, 60, 90, 135, 180, dan 270
1) Orientasi
0֯
Hasil
dari penerapan 5-NN pada data testing ditujukkan pada tabel 1 berikut
Tabel 1. Performansi
5-NN Data Testing Orientasi Sudut 0
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
83.87% |
83.9% |
89.70% |
86.70% |
31 |
26 |
|
Sakit |
78.57% |
78.60% |
68.80% |
73.33% |
14 |
11 |
|
Avg |
82.22% |
82.22% |
83.20% |
82.50% |
|
|
Pada tabel 1 data test yang digunakan adalah sebanyak 45
yang terdiri dari 31 sehat dan 14 sakit. Kategori sakit memiliki akurasi
sebesar 78.57% dengan kesalahan prediksi sebanyak 3, sedangkan untuk data sehat
memiliki kesalahan prediksi sebanyak 3 akurasi sebesar 78.57%. Sehingga total
prediksi benar sebanyak 37 dengan demikian akurasinya mencapai 82.22% dan untuk
rata-rata recall precission f-measure masing-masing berada pada 82.22%, 83.20%,
dan 82.50%.
2) Orientasi
30֯
Hasil akurasi yang diperoleh dengan menggunakan data training
berdasarkan orientasi sudut 30 secara keseluruhan ditampilkan pada gambar 2
berikut. Hasil dari penerapan 7-NN pada data
testing ditujukkan pada tabel 2 berikut.
Tabel 2. Performansi 7-NN Data Testing
Orientasi Sudut 30
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
100.00% |
100.00% |
81.60% |
89.99% |
31 |
31 |
|
Sakit |
50.00% |
50.00% |
100.00% |
66.70% |
14 |
7 |
|
Avg |
84.44% |
84.44% |
87.30% |
82.60% |
|
|
Pada tabel 2 tampak bahwa dari keseluruhan data test yang
digunakan memiliki kesalahan prediksi sebanyak 7, sehingga akurasinya mencapai
84.44% dan untuk rata-rata recall precission f-measure masing-masing berada
pada 84.44%, 84.44%, dan 82.60%.
3) Orientasi
45֯
Data
testing dengan hasil yang diperoleh tampak pada tabel 3 berikut.
Tabel 3. Performansi
7-NN Data Testing Orientasi Sudut 45
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
96.80% |
96.80% |
83.33% |
89.60% |
31 |
30 |
|
Sakit |
57.10% |
57.10% |
88.90% |
69.60% |
14 |
8 |
|
Avg |
84.40% |
82.22% |
85.10% |
83.33% |
|
|
Pada tabel 3 tampak bahwa dari data test sakit yang digunakan memiliki
kesalahan prediksi sebanyak 1, sedangkan kesalahan prediksi pada data sehat
sebanyak 6, sehingga akurasi keseluruhan yaitu 84.40%.
4) Orientasi
60֯
Penerapan 7-NN pada data testing
ditujukkan pada tabel 4 berikut.
Tabel 4. Performansi
7-NN Data Testing Orientasi Sudut 60
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
93.50% |
93.50% |
82.90% |
87.90% |
31 |
29 |
|
Sakit |
57.10% |
57.10% |
80.00% |
66.70% |
14 |
8 |
|
Avg |
82.22% |
82.20% |
82.00% |
81.30% |
|
|
Pada tabel 4 tampak bahwa dari keseluruhan data test yang digunakan
memiliki kesalahan prediksi sebanyak 8, sehingga akurasinya mencapai 82.22% dan
untuk rata-rata recall precission f-measure masing-masing berada pada 82.20%,
82.00%, dan 81.30%.
5) Orientasi
90֯
Data testing tampak pada tabel 5
berikut.
Tabel 5. Performansi
7-NN Data Testing Orientasi Sudut 90
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
96.80% |
96.80% |
78.90% |
87.00% |
31 |
30 |
|
Sakit |
42.90% |
42.90% |
85.70% |
57.10% |
14 |
6 |
|
Avg |
80.00% |
82.22% |
85.10% |
83.33% |
|
|
Pada tabel 5 tampak bahwa dari data test sehat yang digunakan memiliki
kesalahan prediksi pada data sehat sebanyak 1, sedangkan data sakit memiliki
kesalahan prediksi sebanyak 8, sehingga akurasi keseluruhan hanya mencapi
80.00%.
6) Orientasi
135֯
Hasil
dari penerapan 7-NN pada data testing ditujukkan pada tabel 6 berikut.
Tabel 6. Performansi
7-NN Data Testing Orientasi Sudut 135
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
96.80% |
96.80% |
83.30% |
89.60% |
31 |
30 |
|
Sakit |
57.10% |
57.10% |
88.90% |
69.60% |
14 |
8 |
|
Avg |
84.44% |
84.40% |
85.10% |
83.30% |
|
|
Pada tabel 6 tampak bahwa dari keseluruhan data test yang digunakan
memiliki kesalahan prediksi sebanyak 7, sehingga akurasinya mencapai 84.44%
sama halnya dengan akurasi pada sudut 30 dan 45.
7) Orientasi
180֯
Data
testing tampak pada tabel 7 berikut.
Tabel 7. Performansi
3-NN Data Testing Orientasi Sudut 180
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
87.10% |
87.10% |
93.10% |
90.00% |
31 |
27 |
|
Sakit |
85.70% |
85.70% |
75.00% |
80.00% |
14 |
12 |
|
Avg |
86.66% |
86.66% |
87.50% |
86.90% |
|
|
Pada tabel 7 tampak bahwa dari data test sehat yang digunakan memiliki
kesalahan prediksi 4 sehingga akurasinya menjadi 87.10% sedangkan pada data
sakit kesalahan prediksi hanya 2 dan akurasinya menjadi 85.70%. Sehingga
akurasi total yang diperoleh berdasarkan 45 dataset yaitu 86.66%.
8) Orientasi
270֯
Hasil
dari penerapan 7-NN pada data testing ditujukkan pada tabel 8 berikut.
Tabel 8. Performansi
7-NN Data Testing Orientasi Sudut 270
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
87.10% |
87.10% |
87.10% |
87.10% |
31 |
27 |
|
Sakit |
71.40% |
71.40% |
71.40% |
71.40% |
14 |
10 |
|
Avg |
82.22% |
82.20% |
82.20% |
82.20% |
|
|
Pada tabel 8 tampak bahwa dari keseluruhan data test yang digunakan
memiliki kesalahan prediksi sebanyak 8, sehingga akurasinya mencapai 82.22%.
Klasifikasi
Support Vector Machine (SVM)
Proses
klasifikasi lainnya yang digunakan yaitu SVM, data akan dilatih dan diuji
dengan perbedaan nilai exponent yaitu 2 dan 3 yang terdapat pada poly
kernel. Untuk hasil akurasi terbaik data training yang diperoleh akan diterapkan pada testing. Sama halnya dengan metode KNN,
orientasi sudut yang digunakan yaitu orientasi sudut 0, 30, 45, 60, 90, 135,
180, dan 270.
1)
Orientasi 0֯
Data testing memperoleh hasil
akurasi sebagai berikut.
Tabel 9. Performansi SVM Data Testing Orientasi Sudut 0
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
100.00% |
100.00% |
77.50% |
87.30% |
31 |
31 |
|
Sakit |
35.70% |
35.70% |
100.00% |
52.60% |
14 |
5 |
|
Avg |
80.00% |
80.00% |
84.50% |
76.500% |
|
|
Pada
tabel 9 tampak bahwa data
test yang digunakan adalah sebanyak 45 yang terdiri dari 31 sehat dan 14
sakit. Hasil secara keseluruhan akurasi yang diperoleh dari kategori sakit
sangat kecil yaitu 35.70%. Berbeda halnya dengan data sehat yang hasil prediksi
benar 100%. Berdasarkan hal tersebut, hasil akurasi 45 data yang diuji memiliki
akurasi sebesar 80%.
2)
Orientasi 30֯
Data testing memperoleh hasil
akurasi sebagai berikut.
Tabel 10.
Performansi SVM Data Testing Orientasi Sudut 30
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
96.80% |
96.80% |
87.10% |
90.90% |
31 |
30 |
|
Sakit |
64.30% |
64.30% |
90.00% |
75.00% |
14 |
9 |
|
Avg |
86.66% |
86.70% |
87.00% |
86.00% |
|
|
Pada
tabel 10 tampak bahwa data
dari data test yang digunakan sebanyak 45 terdiri dari 31 sehat dan 14
sakit dengan hasil prediksi data sehat lebih dominan benar dibandingkan dengan
data sakit. Namun secara keseluruhan akurasi yang diperoleh dari kategori sakit
lebih dibandingkan daripada menggunakan orientasi sudut 0 yaitu 64.30%. Untuk
data sehat dari 31 data yang digunakan memiliki prediksi benar sebanyak 30
sehingga akurasi data sehat 96.80%. Berdasarkan hal tersebut, hasil akurasi 45
data yang diuji memiliki akurasi sebesar 86.66%.
3)
Orientasi 45
Data testing memperoleh hasil
akurasi sebagai berikut.
Tabel 11. Performansi SVM Data Testing Orientasi Sudut 45
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
100.00% |
100.00% |
81.60% |
89.90% |
31 |
31 |
|
Sakit |
50.00% |
50.00% |
100.00% |
66.70% |
14 |
7 |
|
Avg |
84.44% |
84.44% |
87.30% |
82.60% |
|
|
Pada
tabel 11 tampak bahwa data
dari data test yang digunakan sebanyak 45 terdiri dari 31 sehat dan 14
sakit dengan hasil prediksi data sehat lebih dominan benar dibandingkan dengan
data sakit. Pada data sehat, akurasi dapat mencapai 100%. Secara keseluruhan
dari 45 data test yang digunakan, hasil prediksi benar sebanyak 38 sehingga
akurasi menjadi 84.44%.
4)
Orientasi 60֯
Data testing memperoleh hasil
akurasi sebagai berikut.
Tabel 12. Performansi SVM Data Testing Orientasi Sudut 60
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
100.00% |
100.00% |
81.60% |
89.90% |
31 |
31 |
|
Sakit |
50.00% |
50.00% |
100.00% |
66.70% |
14 |
7 |
|
Avg |
84.44% |
84.44% |
87.30% |
82.60% |
|
|
Pada tabel 12 tampak bahwa data dari data test yang
digunakan sebanyak 45 terdiri dari 31 sehat dan 14 sakit dengan hasil prediksi
data sehat lebih dominan benar dibandingkan dengan data sakit. Pada data sehat,
akurasi dapat mencapai 100%. Namun pada data sakit hanya sebagian yaitu 50%. Secara keseluruhan dari 45 data test yang
digunakan, hasil prediksi benar sebanyak 38 sehingga akurasi menjadi 84.44%.
5)
Orientasi 90֯
Data
testing memperoleh hasil akurasi sebagai berikut.
Tabel 13. Performansi SVM Data Testing Orientasi Sudut 90
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
100.00% |
100.00% |
77.50% |
87.30% |
31 |
31 |
|
Sakit |
35.70% |
35.70% |
100.00% |
52.60% |
14 |
5 |
|
Avg |
80.00% |
80.00% |
84.50% |
76.50% |
|
|
Pada tabel 13 tampak bahwa data dari data test yang
digunakan sebanyak 45 terdiri dari 31 sehat dan 14 sakit dengan hasil prediksi
data sehat lebih dominan benar dibandingkan dengan data sakit. Pada data sehat,
akurasi dapat mencapai 100%. Secara keseluruhan dari 45 data test yang
digunakan, hasil prediksi benar sebanyak 36 sehingga akurasi menjadi 80%.
6)
Orientasi 135֯
Data testing memperoleh hasil
akurasi sebagai berikut.
Tabel 14. Performansi SVM Data Testing Orientasi Sudut 135
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
100.00% |
100.00% |
81.16% |
89.99% |
31 |
31 |
|
Sakit |
50.00% |
50.00% |
100.00% |
66.70% |
14 |
7 |
|
Avg |
84.44% |
84.44% |
87.30% |
82.60% |
|
|
Pada tabel 14 tampak bahwa data dari data test yang
digunakan sebanyak 45 terdiri dari 31 sehat dan 14 sakit dengan hasil prediksi
data sehat lebih dominan benar dibandingkan dengan data sakit. Pada data sehat,
akurasi dapat mencapai 100% dan sakit sebagiannya yaitu 50%. Secara keseluruhan
dari 45 data test yang digunakan, hasil prediksi benar sebanyak 38 sehingga
akurasi menjadi 84.44%.
7)
Orientasi 180֯
Data testing memperoleh hasil
akurasi sebagai berikut.
Tabel 15. Performansi SVM Data Testing Orientasi Sudut 180
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
100.00% |
100.00% |
77.50% |
87.30% |
31 |
31 |
|
Sakit |
35.70% |
35.70% |
100.00% |
52.60% |
14 |
5 |
|
Avg |
80.00% |
80.00% |
84.50% |
76.50% |
|
|
Pada
tabel 15 tampak bahwa data
dari data test yang digunakan sebanyak 45 terdiri dari 31 sehat dan 14
sakit dengan hasil prediksi data sehat lebih dominan benar dibandingkan dengan
data sakit. Pada data sehat, akurasi dapat mencapai 100%. Secara keseluruhan
dari 45 data test yang digunakan, hasil prediksi benar sebanyak 36 sehingga
akurasi menjadi 80%.
8)
Orientasi 270֯
Data testing memperoleh hasil
akurasi sebagai berikut.
Tabel 16. Performansi SVM Data Testing Orientasi Sudut 270
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
100.00% |
100.00% |
77.50% |
87.30% |
31 |
31 |
|
Sakit |
35.70% |
35.70% |
100.00% |
52.60% |
14 |
5 |
|
Avg |
80.00% |
80.00% |
84.50% |
76.50% |
|
|
Pada
tabel 16 tampak bahwa data
dari data test yang digunakan sebanyak 45 terdiri dari 31 sehat dan 14
sakit dengan hasil prediksi data sehat lebih dominan benar dibandingkan dengan
data sakit. Pada data sehat, akurasi dapat mencapai 100%. Secara keseluruhan
dari 45 data test yang digunakan, hasil prediksi benar sebanyak 36 sama dengan
orientasi sudut 180 yaitu dengan akurasi 80%.
Klasifikasi Artificial Neural Network (ANN)
Proses klasifikasi lainnya yang
digunakan yaitu Artificial Neural Network (ANN) dua hidden layer dengan
node yang berbeda (4,3; 4,2; 3,2; 2,2).
Sama halnya dengan metode KNN dan SVM, orientasi sudut yang digunakan yaitu
orientasi sudut 0, 30, 45, 60, 90, 135, 180, dan 270.
1)
Orientasi 0֯
Data testing memperoleh hasil
akurasi sebagai berikut.
Tabel 17. Nilai akurasi ANN Pada Data Testing Orientasi 0
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
83.87% |
83.90% |
92.90% |
88.10% |
31 |
26 |
|
Sakit |
85.71% |
85.70% |
70.60% |
77.40% |
14 |
12 |
|
Avg |
84.44% |
84.40% |
85.90% |
84.80% |
|
|
Pada Tabel 17 data test yang
digunakan adalah sebanyak 45 yang terdiri dari 31 sehat dan 14 sakit. Kategori
sakit memiliki akurasi sebesar 85.71% dengan kesalahan prediksi sebanyak 2,
sedangkan untuk data sehat memiliki kesalahan prediksi sebanyak 5 maka di
peroleh akurasi sebesar 83.87%. Sehingga total prediksi benar sebanyak 38
dengan demikian secara keseluruhan akurasinya mencapai 84.44%.
2)
Orientasi 30֯
Data testing memperoleh hasil akurasi sebagai berikut.
Tabel 18. Nilai akurasi ANN Pada Data Testing Orientasi 30
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
96.80% |
96.80% |
85.70% |
90.90% |
31 |
30 |
|
Sakit |
64.30% |
64.30% |
90.00% |
75.00% |
14 |
9 |
|
Avg |
86.70% |
86.70% |
87.00% |
86.00% |
|
|
Pada Tabel 18 kategori sakit memiliki
akurasi sebesar 64.30% dengan kesalahan prediksi sebanyak 5. Hal ini lebih
rendah dari sudut 0 yang hanya memiliki kesalahan prediksi sebanyak 2.
Sedangkan untuk data sehat memiliki kesalahan prediksi yang lebih rendah
dibandingkan dengan sudut 0 yaitu hanya sebanyak 1 sehingga diperoleh total akurasi keseluruhan sebesar 86.66%.
3)
Orientasi 45֯
Data testing memperoleh hasil
akurasi sebagai berikut.
Tabel 19. Nilai akurasi ANN Pada Data Testing Orientasi 45
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
93.50% |
93.50% |
85.30% |
89.20% |
31 |
29 |
|
Sakit |
64.30% |
64.30% |
81.80% |
72.00% |
14 |
9 |
|
Avg |
84.44% |
84.40% |
84.20% |
83.90% |
|
|
Pada Tabel 19 kategori sakit memiliki
akurasi yang sama dengan sudut 30 yaitu sebesar 64.30% dengan kesalahan
prediksi sebanyak 5. Sedangkan untuk data sehat memiliki kesalahan prediksi
yang lebih rendah yaitu hanya sebanyak 2 sehingga dari total 45 data testing
yang mengalami salah prediksi yaitu 7 sehingga
diperoleh akurasi keseluruhan
sebesar 84.44%.
4)
Orientasi 60֯
Hasil akurasi yang diperoleh dengan
menggunakan data training berdasarkan orientasi sudut 60 secara keseluruhan yang diperoleh adalah sebagai berikut.
Tabel 20. Nilai akurasi ANN Pada Data Testing Orientasi 60
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
96.80% |
96.80% |
85.70% |
90.90% |
31 |
30 |
|
Sakit |
64.30% |
64.30% |
90.00% |
75.00% |
14 |
9 |
|
Avg |
86.70% |
86.70% |
87.00% |
86.00% |
|
|
Pada Tabel 20 hasil prediksi dari 14
data sakit hanya 9 yang benar dan dengan kesalahan prediksi sebanyak 5 sehingga
kategori sakit memiliki akurasi hanya sebesar 64.30%. Sedangkan untuk data
sehat memiliki kesalahan prediksi 1 dari total 31 data sehat dan memperoleh
akurasi 96.80%. Sehingga dari total 45 data testing yang mengalami salah
prediksi yaitu 6 sehingga diperoleh akurasi keseluruhan sebesar 86.70% lebih
meningkat dari sudut 45.
5)
Orientasi 90֯
Data testing memperoleh hasil
akurasi sebagai berikut.
Tabel
21. Nilai
akurasi ANN pada data testing orientasi 90
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
100.00% |
100.00% |
83.80% |
91.20% |
31 |
31 |
|
Sakit |
57.10% |
57.10% |
100.00% |
72.70% |
14 |
8 |
|
Avg |
86.70% |
86.70% |
88.80% |
85.40% |
|
|
Pada Tabel 21 hasil prediksi dari 14
data sakit hanya 8 yang benar dan dengan kesalahan prediksi sebanyak 6 sehingga
kategori sakit memiliki akurasi hanya sebesar 57.10%. Sedangkan untuk data
sehat tidak memiliki kesalahan prediksi
dari total 31 sehimgga memperoleh akurasi 100%. Dari total 45 data
testing yang mengalami salah prediksi yaitu 8 sehingga diperoleh
akurasi keseluruhan sebesar 86.70%
6)
Orientasi 135֯
Data
testing memperoleh hasil akurasi sebagai berikut.
Tabel 22. Nilai akurasi ANN Pada Data Testing Orientasi 135
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
93.50% |
93.50% |
85.30% |
89.20% |
31 |
29 |
|
Sakit |
64.30% |
64.30% |
81.80% |
72.00% |
14 |
9 |
|
Avg |
84.40% |
84.40% |
84.20% |
83.90% |
|
|
Pada Tabel 22 hasil prediksi dari 14
data sakit 9 yang benar dan dengan
kesalahan prediksi sebanyak 5 sehingga kategori sakit memiliki akurasi hanya
sebesar 64.30%. Sedangkan untuk data sehat memiliki 2 kesalahan prediksi dari total 31 sehimgga memperoleh akurasi 93.50%.
Dari total 45 data testing yang mengalami salah prediksi yaitu 7 sehingga diperoleh
akurasi keseluruhan sebesar 84.40%
7)
Orientasi 180֯
Data testing memperoleh hasil
akurasi testing sebagai berikut.
Tabel 23. Nilai akurasi ANN Pada Data Testing Orientasi 180
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
93.50% |
93.50% |
90.60% |
92.10% |
31 |
29 |
|
Sakit |
78.60% |
78.60% |
84.60% |
81.50% |
14 |
11 |
|
Avg |
88.88% |
88.90% |
84.20% |
83.88% |
|
|
Pada Tabel 23 hasil prediksi dari 14
data sakit 11 yang benar dan dengan
kesalahan prediksi hanya sebanyak 3 sehingga kategori sakit memiliki akurasi
sebesar 78.60% yaitu lebih tinggi dibandingkan orientasi sudut sebelumnya. Sedangkan
untuk data sehat memiliki 2 kesalahan prediksi
dari total 31 sehimgga memperoleh akurasi 93.50%. Dari total 45 data
testing yang mengalami salah prediksi yaitu 5 sehingga diperoleh
akurasi keseluruhan mencapai 88.88%
8)
Orientasi 270֯
Data testing memperoleh hasil
akurasi sebagai berikut.
Tabel 24. Nilai akurasi ANN Pada Data Testing Orientasi 270
|
Kategori |
Akurasi Total |
Recall |
Precission |
F-Measure |
Actual |
Prediksi |
|
Sehat |
100.00% |
100.00% |
79.50% |
88.60% |
31 |
31 |
|
Sakit |
42.90% |
42.90% |
100.00% |
60.00% |
14 |
6 |
|
Avg |
82.22% |
82.22% |
85.90% |
79.70% |
|
|
Pada Tabel 24 hasil prediksi dari 14
data sakit adalah 6 yang benar. Sedangkan untuk data sehat tidak memiliki
kesalahan prediksi dari total 31
sehimgga memperoleh akurasi 100%. Dari total 45 data testing yang mengalami
salah prediksi yaitu 8 pada data sakit sehingga
diperoleh akurasi keseluruhan
82.22%
Pembahasan
Berdasarkan
penelitian yang telah dilakukan dengan ekstraksi fitur Filter Gabor dengan
beberapa sudut orientasi yaitu = 0, 30, 45, 60, 90, 135, 180, 270 skala 2
dengan 3 metode klasifikasi yang digunakan diperoleh nilai akurasi yang
berbeda-beda. Teknik n-fold cross validation digunakan untuk
mengestimasi kinerja berdasarkan pemodelan. Nilai n-fold yang digunakan
beragam yaitu 5-fold, 8-fold, 10-fold, dan 15-fold. Hasil terbaik akan
diterapkan pada data testing. Hasil akurasi yang diperoleh adalah
seperti berikut.
1) K-Nearest Neighbor (KNN)
Berdasarkan hasil nilai K (3, 5, 7) terbaik yang akan diterapkna pada
pengujian, maka akurasi tinggi rata-rata diperoleh pada saat K=7 sudut
orientasi (30, 45, 60, 90, 135) dan akurasi tertinggi diperoleh pada saat K=3
orientasi sudut 180 yaitu 86.66% . Dari 45 data test yang digunakan berdasarkan K=3 maka nilai prediksi benar
adalah sebanyak 39 sehingga akurasinya sebesar 86.66%
2) Support Vector Machine (SVM)
Nilai eksponen yang digunakan yaitu 2 dan 3. Rata-rata
hasil terbaik di peroleh pada eks 3 dan semua orientasi sudut terbaik adalah 45֯ , 90֯ , 135֯ dengan akurasi mecapai 84.44%. Dari 45 data test yang digunakan maka nilai
prediksi benar adalah sebanyak 38 sehingga akurasinya sebesar 84.44%.
2) Artificial Neural Network (ANN)
Pada ANN menggunakan dua hidden layer dengan beberapa
node yang berbeda yaitu 4,3; 4,2; 3,2; dan 2,2; Berdasarkan hasil data training
yang selanjutnya diterapkan pada data uji, akurasi meningkat rata-rata
diperoleh pada node 4,3 sudut orientasi (30, 45, 60, 90). Namun untuk akurasi tertinggi
diperoleh pada node 3,2 orientasi sudut
180 dengan akurasi mencapai 88.88% . Dari 45 data test yang digunakan
maka nilai prediksi benar adalah sebanyak 40 sehingga akurasinya sebesar 88.88%
Dari ketiga
metode yang digunakan tersebut, nilai akurasi yang diperoleh setiap metode
klasifikasi berbeda-beda. Metode klasifikasi SVM memiliki akurasi terendah
dibandingkan dengan KNN dan ANN, sedangkan akurasi
tertinggi diperoleh dengan menggunakan Artificial Neural Network (ANN)
yang akurasinya mencapai 88.88%.
Pada
penelitian ini menggunakan dataset citra payudara termal yang diperoleh dari Database
for Mastology Research (DMR) dengan jumlah 150 citra terdiri dari 108 citra
sehat dan 42 citra sakit. Metode ektraksi fitur yang digunakan adalah Filter
Gabor dengan skala 2 dan sudut orientasi = 8 (0, 30, 45, 60, 90, 135, 180, 270)
berdasarkan parameter ciri mean, variance, skewness, kurtosis, dan
entropi. Selanjutnya ada tiga (3) metode klasifikasi yang digunakan yaitu K-Nearest
Neighbor (KNN), Support Vector Machine (SVM) dan Atrtificial
Neural Network (ANN) dengan teknik cross validation untuk
pemodelan training yang akan diterapkan pada data test. Hasil
yang diperoleh menunjukkan akurasi terbaik dengan menggunakan klasifikasi
metode KNN dan ANN yaitu pada orientasi sudut 180֯ dengan tingkat akurasi mencapai 86.66% dan 88.88%. Menggunakan
klasifikasi metode SVM orientasi sudut terbaik adalah 45֯ , 90֯ , 135֯ dengan tingkat akurasi pada semua orientasi sudut terbaik
mencapai 84.44%. Dari ketiga metode yang telah di uji coba berdasarkan 105 data
training dan 45 data test. Metode ANN menghasilkan akurasi yang
tertinggi dibandingkan dengan metode lainnya yaitu 88.88%.
BIBLIOGRAFI
Angelica, P. C. (2024). Efek Sitotoksik Dan Selektivitas Ekstrak
Heksana Umbi Rumput Teki (Cyperus rotundus L.) Dari Provinsi Lampung Terhadap
Sel Hela.
Khan, A. A., & Arora, A. S. (2018). Breast Cancer Detection Through
Gabor Filter Based Texture Features Using Thermograms Images. ICSCCC 2018 -
1st International Conference on Secure Cyber Computing and Communications,
412–417. https://doi.org/10.1109/ICSCCC.2018.8703342
Lashkari, A. E. (2010). Full Automatic Micro Calcification Detection in
Mammogram Images Using Artificial Neural Network and Gabor Wavelets. 2010
6th Iranian Conference on Machine Vision and Image Processing, MVIP 2010.
https://doi.org/10.1109/IranianMVIP.2010.5941183
Ma, J., Shang, P., Lu, C., Meraghni, S., Benaggoune, K., Zuluaga, J.,
Zerhouni, N., Devalland, C., & Masry, Z. Al. (2019). A Portable Breast
Cancer Detection System Based on Smartphone with Infrared Camera. Vibroengineering
Procedia, 26, 57–63. https://doi.org/10.21595/vp.2019.20978
Milosevic, M., Jankovic, D., & Peulic, A. (2015). Comparative
Analysis of Breast Cancer Detection in Mammograms and Thermograms. 60(1),
49–56. https://doi.org/10.1515/bmt-2014-0047
Nola, I. A., & Kolanc, D. (2015). Thermography in Biomedicine. Proceedings
Elmar - International Symposium Electronics in Marine, 2015-Novem(September),
17–20. https://doi.org/10.1109/ELMAR.2015.7334485
Nurhayati, D., Sri Widodo, T., & Susanto, A. (2011). Detection of
the Breast Cancer From Thermal Infrared Images. Jurnal Sistem Komputer, 01(02),
65–70.
Rahman, M. T., & Bhuiyan, M. A. (2008). Face Recognition Using Gabor
Filters. Proceedings of 11th International Conference on Computer and
Information Technology, ICCIT 2008, May, 510–515.
https://doi.org/10.1109/ICCITECHN.2008.4803030
Rasyid, M. B. Al, Yunidar, Arnia, F., & Munadi, K. (2018). Histogram
Statistics and GLCM Features of Breast Thermograms for Early Cancer Detection. 1st
International ECTI Northern Section Conference on Electrical, Electronics,
Computer and Telecommunications Engineering, ECTI-NCON 2018, 120–124.
https://doi.org/10.1109/ECTI-NCON.2018.8378294
Sa’adati, Y. (2021). Identifikasi Hubungan Kausal dari Faktor-Faktor
Disfungsi Seksual pada Wanita Penderita Kanker di Indonesia.
Sahar, M., Nugroho, H. A., Tianur, Ardiyanto, I., & Choridah, L.
(2017). Automated detection of breast cancer lesions using adaptive
thresholding and morphological operation. 2016 International Conference on
Information Technology Systems and Innovation, ICITSI 2016 - Proceedings,
27–30. https://doi.org/10.1109/ICITSI.2016.7858237
Sariyati, S. (2023). Modul Mata Kuliah Biologi Dasar dan Biologi
Perkembangan. Alma Ata University Press.
Silva, L. F., Saade, D. C. M., Sequeiros, G. O., Silva, A. C., Paiva, A.
C., Bravo, R. S., & Conci, A. (2014). A New Database for Breast Research
with Infrared Image. Journal of Medical Imaging and Health Informatics, 4(1),
92–100. https://doi.org/10.1166/jmihi.2014.1226
Tanjung, A. R., & Andrian, R. (2020). Implementasi Metode
Ekstraksi Fitur Gabor Filter dan Probablity Neural Network ( PNN ) untuk
Identifikasi Kain Tapis Lampung. 8(2), 1–9.
WHO. (2018). Cancer.
https://www.who.int/news-room/fact-sheets/detail/cancer
|
Copyright holder: Listia Sukma Putri, Fitri Arnia, Rusdha Muharar (2024) |
|
First publication right: Syntax Literate: Jurnal Ilmiah
Indonesia |
|
This article is licensed under:
|
