Deteksi Tumor Otak Melalui Penerapan GLCM dan Naïve Bayes Classification
Article Sidebar
Main Article Content
Abstract
Tumor otak merupakan keadaan dimana pertumbuhan sel yang abnormal bahkan tidak terkendali yang terjadi diarea otak yang mengakibatkan terjadinya gejala kanker. MRI merupakan salah satu alat yang dapat digunakan untuk memberikan informasi gambaran citra otak yang mengalami gejala tumor. Penelitian ini akan melakukan klasifikasi citra tumor otak dengan menggunakan dataset yang berasal dari Kaggle. Pada tahap awal citra dari tumor otak akan dideteksi menggunakan GLCM, selanjutnya citra tersebut akan diklasifikasi berdasarkan citra yang memiliki gejala tumor otak ataukah tidak melalui Algoritma Naïve bayes classification. Adapun tujuan dari penelitian ini adalah mengetahui nilai akurasi yang dihasilkan oleh GLCM dan Naïve Bayes Classification dalam mempreiksi citra tumor otak yang didapatkan. Berdasarkan hasil uji yang telah dilakukan terhadap 253 dataset pasien doketahui bahwa nilai akurasi yang dihasilkan oleh Naïve Bayes dalam melakukan klasifikasi ternyata cukup tinggi yaitu 80% dengan perbandingan data testing dan data trainingnya adalah 20% : 80%, selain itu rata-rata dari nilai presisi dan recall yang dihasilkan pun sama yaitu 85%.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
K. D. Prebiana and L. G. Astuti, “Penerapan Metode Certinty Factor(Cf) Dalam Pembuatan Sistem Pakar Diagnosis Penyakit Tumor Otak,” JELIKU (Jurnal Elektron. Ilmu Komput. Udayana), vol. 8, no. 3, p. 315, 2020, doi: 10.24843/jlk.2020.v08.i03.p14.
A. Digdoyo, T. Surawan, A. S. B. Karno, D. R. Irawati, and Y. Effendi, “Deteksi Tumor Otak Menggunakan Metode Deep Learning Arsitektur CNN Resnet-152,” J. Teknol., vol. 9, no. 2, pp. 23–31, 2022, doi: 10.31479/jtek.v9i2.128.
M. Ghozali and H. Sumarti, “Pengobatan Klinis Tumor Otak pada Orang Dewasa,” J. Phi J. Pendidik. Fis. dan Fis. Terap., vol. 2, no. 1, pp. 1–14, 2021, doi: 10.22373/p-jpft.v2i1.8302.
I. B. L. M. Suta, M. Sudarma, and I. N. Satya Kumara, “Segmentasi Tumor Otak Berdasarkan Citra Magnetic Resonance Imaging Dengan Menggunakan Metode U-NET,” Maj. Ilm. Teknol. Elektro, vol. 19, no. 2, p. 151, 2020, doi: 10.24843/mite.2020.v19i02.p05.
R. Andre R, B. Wahyu P, and R. Purbaningtyas, “Klasifikasi Tumor Otak Menggunakan Convolutional Neural Network Dengan Arsitektur Efficientnet-B3,” JUST IT J. Sist. Informasi, Teknol. Inf. dan Komput., vol. 12, no. 3, pp. 55–59, 2022, doi: 10.24853/justit.12.3.55-59.
P. F. K. Pertiwi, N. P. Sriwidyani, N. P. Ekawati, and H. Saputra, “Karakteristik Klinikopatologi Pasien Tumor Otak Dan Medula Spinalis Pada Anak Di Rsup Sanglah Denpasar Tahun 2014 –2018,” J. Med. Udayana, vol. 9, no. 10, pp. 6–8, 2020, doi: 10.24843.MU.2020.V9.i10.P15.
A. A. Pravitasari et al., “MRI-based brain tumor segmentation using gaussian and hybrid gaussian mixture model-spatially variant finite mixture model with expectation-maximization algorithm,” Malaysian J. Math. Sci., vol. 14, no. 1, pp. 77–93, 2020.
P. Elkington et al., “In vitro granuloma models of tuberculosis: Potential and challenges,” J. Infect. Dis., vol. 219, no. 12, pp. 1858–1866, 2019, doi: 10.1093/infdis/jiz020.
T. A. Mutiara and Q. N. Azizah, “Klasifikasi Tumor Otak Menggunakan Ekstraksi Fitur HOG dan Support Vector Machine,” J. Infortech, vol. 4, no. 1, pp. 45–50, 2022, doi: 10.31294/infortech.v4i1.12813.
L. W. Astuti, “Ekstrasi Fitur Citra MRI Otak Menggunakan Data Wavelet Transform (DWT) untuk Klasifikasi Penyakit Tumor Otak,” J. Ilm. Inform. Glob., vol. 10, no. 2, pp. 80–86, 2019, doi: 10.36982/jiig.v10i2.854.
V. Saraswathi and D. Gupta, “Classification of Brain Tumor using PCA-RF in MR Neurological Images,” 2019 11th Int. Conf. Commun. Syst. Networks, COMSNETS 2019, vol. 2061, pp. 440–443, 2019, doi: 10.1109/COMSNETS.2019.8711010.
F. Akbar, A. N. Rais, I. A. Sobari, R. A. Zuama, and B. Rudiarto, “Analisis Performa Algoritma Naive Bayes Pada Deteksi Otomatis Citra Mri,” JITK (Jurnal Ilmu Pengetah. dan Teknol. Komputer), vol. 5, no. 1, pp. 37–42, 2019, doi: 10.33480/jitk.v5i1.586.
E. Rachmawati, N. A. Agustina, and F. Sthevanie, “Pengenalan Ras Berdasarkan Hidung Dan Mulut Menggunakan Gray Level Co-Occurrence Matrix,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 4, p. 729, 2021, doi: 10.25126/jtiik.2021844366.
S. A. Sinaga and P. Marpaung, “Ekstrak Ciri Komunikasi Nonverbal Menggunakan Gray Level Co-Occurrence Matrix,” Inform. J. Inform. Manaj. dan Komput., vol. 12, no. 2, p. 43, 2020, doi: 10.36723/juri.v12i2.230.
Y. F. Achmad, A. Yulfitri, and M. B. Ulum, “Identifikasi Jenis Jerawat Berdasarkan Tekstur Menggunakan GLCM dan Backpropagation,” J. SAINTIKOM (Jurnal Sains Manaj. Inform. dan Komputer), vol. 20, no. 2, p. 139, 2021, doi: 10.53513/jis.v20i2.4747.
F. Prasetya and F. Ferdiansyah, “Analisis Data Mining Klasifikasi Berita Hoax COVID 19 Menggunakan Algoritma Naive Bayes,” J. Sist. Komput. dan Inform., vol. 4, no. 1, p. 132, 2022, doi: 10.30865/json.v4i1.4852.
H. Budi Jatmiko, N. Tedi Kurniadi, and D. Maulana, “Optimasi Naïve Bayes Dengan Particle Swarm Optimization Untuk Analisis Sentimen Formula E-Jakarta,” JACIS J. Autom. Comput. Inf. Syst., vol. 2, no. 1, pp. 22–30, 2022, doi: 10.47134/jacis.v2i1.35.
K. Prajatama, F. E. Nugroho, A. F. Sentosa, S. Fauziah, and A. D. Hartanto, “Deteksi Kualitas Buah Apel Malang Manalagi Menggunakan Algoritma Naive Bayes,” e-Jurnal JUSITI (Jurnal Sist. Inf. dan Teknol. Informasi), vol. 8–1, no. 1, pp. 32–38, 2019, doi: 10.36774/jusiti.v8i1.598.
M. E. A. Hubbannuari and H. Hartatik, “Analisis Sentimen Pengguna Twitter Terhadap Layanan Anteraja Dan Sicepat Menggunakan Algoritma Naïve Bayes,” JACIS J. Autom. Comput. Inf. Syst., vol. 3, no. 1, pp. 19–26, 2023, doi: 10.47134/jacis.v3i1.53.
A. F. Prakoso, N. Trisnawati, Y. Soesatyo, W. Tjipto Subroto, and N. Canda Sakti, “Keefektifan Pemantapan Kemampuan Guru SMK dalam Menulis Proposal Penelitian Eksperimen,” J. Pemberdaya. Masy. Madani, vol. 3, no. 1, pp. 59–82, 2019, doi: 10.21009/jpmm.003.1.05.