Ekstraksi Fitur Dan Implementasi Machine Learning Untuk Klasifikasi Jenis Tumor Otak

Monikka Nur Winnarto

Sari


Tumor Otak merupakan penyakit yang mematikan dan dapat menyerang siapa saja.  Tumor otak menempati urutan ke-10 sebagai penyebab kematian baik pada pria maupun wanita.  Tumor pada otak dapat dideteksi melalui pemeriksaan Magnetic Resonance Imaging (MRI). Dengan mengolah citra yang dihasilkan oleh alat MRI dapat dikembangkan metode pendeteksian tumor otak yang mampu mendeteksi dan mengklasifikasika tumor yaitu dengan menggunakan Ekstraksi Fitur dan Machine Learning untuk klasifikasi jenis tumor otak. Dalam penelitian ini, proses klasifikasi dilakukan dalam tiga langkah, Pre-processing yang mengubah ukuran citra, ekstraksi fitur yang mengambil informasi (fitur) dari warna, bentuk dan teksturnya, kemudian diikuti dengan melatih data dan dilakukan pengujian menggunakan metode Machine Learning. Hasil dari penelitian ini adalah untuk mengklasifikasikan jenis Tumor Otak. Dari hasil pengujian menggunakan empat metode ekstraksi fitur dan tujuh metode klasifikasi, performa terbaik untuk klasifikasi jenis tumor otak adalah menggunakan Global Feature Exctraction dan klasifikasi Random Forest dengan tingkat akurasi yang baik yaitu sebesar 88%.

Teks Lengkap:

PDF

Referensi


Akbar, F., Rais, A. N., Sobari, I. A., Zuama, R. A., & Rudiarto, B. (2019). Analisis Performa Algoritma Naive Bayes Pada Deteksi Otomatis Citra Mri. JITK (Jurnal Ilmu Pengetahuan Dan Teknologi Komputer), 5(1), 37–42. https://doi.org/10.33480/jitk.v5i1.586

Febrianti, A. S., Sardjono, T. A., & Babgei, A. F. (2020). Klasifikasi Tumor Otak pada Citra Magnetic Resonance Image dengan Menggunakan Metode Support Vector Machine. Jurnal Teknik ITS, 9(1). https://doi.org/10.12962/j23373539.v9i1.51587

Gujar, A., & Meshram, P. C. M. (n.d.). Brain Tumor Extraction using Genetic Algorithm. 33–39.

Kusanti, J., & Haris, N. A. (2018). Klasifikasi Penyakit Daun Padi Berdasarkan Hasil Ekstraksi Fitur GLCM Interval 4 Sudut. Jurnal Informatika: Jurnal Pengembangan IT, 3(1), 1–6. https://doi.org/10.30591/jpit.v3i1.669

Nuklianggraita, T. N., Adiwijaya, A., & Aditsania, A. (2020). On the Feature Selection of Microarray Data for Cancer Detection based on Random Forest Classifier. Jurnal Infotel, 12(3), 89–96. https://doi.org/10.20895/infotel.v12i3.485

Primajaya, A., & Sari, B. N. (2018). Random Forest Algorithm for Prediction of Precipitation. Indonesian Journal of Artificial Intelligence and Data Mining, 1(1), 27. https://doi.org/10.24014/ijaidm.v1i1.4903

Saraswathi, V., & Gupta, D. (2019). Classification of Brain Tumor using PCA-RF in MR Neurological Images. 2019 11th International Conference on Communication Systems and Networks, COMSNETS 2019, 2061, 440–443. https://doi.org/10.1109/COMSNETS.2019.8711010

Suta, I. B. L. M., Hartati, R. S., & Divayana, Y. (2019). Diagnosa Tumor Otak Berdasarkan Citra MRI (Magnetic Resonance Imaging). Majalah Ilmiah Teknologi Elektro, 18(2). https://doi.org/10.24843/mite.2019.v18i02.p01

Yousaf, S., Anwar, S. M., RaviPrakash, H., & Bagci, U. (2020). Brain Tumor Survival Prediction using Radiomics Features. 1–9. http://arxiv.org/abs/2009.02903

Zhang, L., Zhang, H., Rekik, I., Gao, Y., Wang, Q., & Shen, D. (2018). Malignant brain tumor classification using the random forest method. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics): Vol. 11004 LNCS. Springer International Publishing. https://doi.org/10.1007/978-3-319-97785-0_2




DOI: https://doi.org/10.31294/infortech.v6i1.21987

DOI (PDF): https://doi.org/10.31294/infortech.v6i1.21987.g6469

Refbacks

  • Saat ini tidak ada refbacks.


Dipublikasikan oleh LPPM Universitas Bina Sarana Informatika

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License