Klasifikasi Statistikal Tekstur Sel Pap Smear Dengan Decesion Tree

Toni Arifin, Dwiza Riana, Gita Indah Hapsari

Sari


ABSTRAK
Penelitian ini menyajikan analisis tekstur dan klasifikasi citra sel pap smear. Pada analisis tekstur
difokuskan pada citra nukleus sel Pap smear, metode yang digunakan adalah metode Gray Level
Co-occurrence Matrix (GLCM) dengan menggunakan lima parameter yaitu korelasi, energi,
homogenitas dan entropi ditambah dengan menghitung nilai Brightness pada citra yang diproses.
Citra yang digunakan dalam penelitian ini menggunakan data citra Harlev, yang terdiri dari 280
citra yang sudah dikategorikan ke dalam 7 kelas yaitu 3 kelas sel normal yang meliputi Normal
Superficial, Normal Intermediate, and Normal Columnar dan 4 kelas lainnya adalah kategori
kelas citra sel abnormal yang meliputi Mild (Light) Dyplasia, Moderate Dysplasia, Severe
Dysplasia dan Carcinoma In Situ. Berdasarkan hasil pengolahan citra yang menghasilkan nilai
matriks dari setiap parameter yang dihitung, citra sel Pap smear akan diklasifikasikan menurut
jenisnya normal atau abnormal dan berdasarkan kelasnya dengan menggunakan decision tree yang
diolah dengan algoritma clasifier J48 pada aplikasi weka. Untuk akurasi yang dihasilkan dari
klasifikasi sel normal dan abnormal adalah 73% dan untuk akurasi klasifikasi tujuh kelas adalah
34,3%.
Kata Kunci : Klasifikasi, Statistikal Tekstur, Sel Pap Smear, Decision Tree.
ABSTRACT
This research presents the texture analysis and classification of cells pap smear image. Texture
analysis focused on the cell nucleus Pap smear image, the research method used the Gray Level
Co-occurrence Matrix (GLCM) method, by using five parameter that include contrast, correlation,
energy, homogeneity, entropy and brightness. The image used in this research using image data
Harlev. The images from 280 subjects are categorized into seven classes. Three classes of which
are normal cell image class categories that include Normal Superficial, Normal Intermediate, and
Normal Columnar, and the other four classes are categories of abnormal cell image class that
include Mild (Light) Dyplasia, Moderate Dysplasia, Severe Dysplasia and Carcinoma In Situ.
Based on the results of image processing that produces a matrix of values of each parameter were
calculated, Pap smear cell image will be classified according to the type of normal or abnormal
and based on the class using the decision tree treated with algorithm clasifier J48 in weka
applications. To the resulting accuracy of the classification normal and abnormal cells is 73% and
for seven class classification accuracy is 34,3%.
Keywords : Classification, Statistical Texture, Cell Pap Smear, Decision Tree

Teks Lengkap:

PDF

Referensi


WHO (2013). WHO Guidance note. Number

of pages 12 Publication 2013. From

http://www.who.int/2013/01/19/reprod

uctivehealth/publications/cancers/9789

/en/index.html.

Dalimartha, S. (2004). Deteksi Dini Kanker

& Simplisia Antikanker. Jakarta:

Penebar Swadaya Jakarta.

Gonzalez, R.C., R.E. Woods., & Eddins, S.L.

(2003). Digital Image Processing

Using MATLAB, 11-12

Haralick, R.M., Shanmugan, K., & Dinstein,

I. (2003). Textural Features for Image

Classification, IEEE Transactions on

Systems, Man, and Cybernetics, 610-

Indriayani, C., & Riana, D. (2010).

Prediction Image Pap Smear Web

Based With Decision Tree. STIMIK

Nusa Mandiri , 1-5.

Jantzen, J., Norup, G.J., Dounias., &

Bjerregaard, B., (2005). Pap-smear

Benchmark Data For Pattern

Classification, Technical University of

Denmark, 1-20.

Muhimmah, I., Anwariyah, K., & Indrayanti.

(2012). Extraction and Selection

Features of Cervical Cell Types in Pap

Smear Digital Images. Wise Health ITB,

-7.

Mathworks. (2012). from Matrix Laboratory:

http://www.mathworks.com/2012/12/2

Martin, E. (2003). Pap-Smear Classification.

from Technical University of

Denmark:

http://labs.fme.aegean.gr/decision/dow

nloads/ (25 Desember 2012).

Novitasari. (2010). Analisis Identifikasi

Serviks Normal dan Abnormal

Berdasarkan Filter Gabor dan Ekstraksi

Ciri Tekstur Statistik. Universitas

Gunadarma , 1-7.

Prasetyo, E. (2011). Pengolahan Citra Digital Dan

Aplikasinya Menggunakan Matlab. 1-2.

Pratama, G., Riana, D., & Hasanudin. (2012).

Pap Smear Nucleus Texture Analysis. ITB ,

-4.

Riana, D., widyanto, D. H., & Mengko, T. L.

(2012). Perbandingan Segmentasi Luas

Nukleus Sel Normal dan Abnormal Pap

smear Menggunakan Operasi Kanal Warna

dengan Deteksi Tepi Canny dan Rekontruksi

Morphologi. Wise health ITB , 1-2.

Selinger, S. (2010). Image Procesing and

Texture Analysis. Dennis GaborCollege

, 1-7.

Sitanggang, G., Carolita, I., & Trisasongko, H. B.

(2010). Aplikasi Teknikdan Metode Fusi Data

Optik ETM-Plus Landsat dan Sar Radarsat

Untuk Ekstraksi Informasi Geologi

Pertambangan Batu Bara. Peneliti

Pusbangja-Lapan dan Peneliti IPB. ,

-20.

Suprapto. (2010). Penggunaan Pengolahan Citra

Digital Pada Pemeriksaan Pap Smear Dalam

Pendeteksian Kanker Serviks. Universitas

Brawijaya , 1-10.

Sugiyono. (2011). Metode Penelitian Kuantitatif

dan Kualitatif dan R&D. Bandung: CV

Alfabeta.

Zuiderveld, K. (2000). Contrast Limited Adaptive

Histograph Equalization. Graphic Gems

IV. San Diego: Academic Press

Professional , 474–




DOI: https://doi.org/10.31311/ji.v1i1.180



 dipublikasikan oleh LPPM UBSI
Jl. Kamal Raya No. 18 Cengkareng, Jakarta Barat