KOMPARASI ALGORITMA LDA DAN  NAÏVE BAYES  DENGAN OPTIMASI FITUR UNTUK KLASIFIKASI  CITRA TUNGGAL PAP SMEAR

Yudi Ramdhani

doi:10.31294/ji.v2i2.130

KOMPARASI ALGORITMA LDA DAN NAÏVE BAYES DENGAN OPTIMASI FITUR UNTUK KLASIFIKASI CITRA TUNGGAL PAP SMEAR

Yudi Ramdhani

Abstract

ABSTRACT - Cervical cancer is the growth of a group of abnormal cells on the cervix (cervical). According to the WHO (2003), Indonesia is a country with cervical cancer the number one in the world. Algorithm applied in image classification algorithm using the Pap Smear Linear Discriminant Analysis (LDA) and Naïve Bayes algorithm, Genetic Algorithm uses feature selection. The results obtained using the LDA algorithm and Naïve Bayes algorithm do comparisons, the results obtained that the LDA algorithm better than the Naïve Bayes algorithm for image classification is a Pap Smear. The results of the classification into 7 classes have the highest value 62,92% while for the highest classification in the classification of the image of a Pap Smear with 95,87% accuracy rating, there are still difficulties for the classification of Abnormal (4, 5, 6, 7) and the value of accuracy 60,15%. The low accuracy against abnormal class affects the classification into 7 classes.
Key Words: Cervical Cancer, Pap Smears, Linear Discriminant Analysis (LDA), Naïve Bayes, Genetic Algorithm.

ABSTRAKSI - Kanker serviks merupakan pertumbuhan dari suatu kelompok sel yang tidak normal pada serviks (mulut rahim). Menurut WHO (2003) Indonesia merupakan negara dengan penderita kanker mulut rahim nomor satu di dunia. Algoritma yang diterapkan dalam klasifikasi citra Pap Smear menggunakan algoritma Linear Discriminant Analysis (LDA) dan algoritma Naïve Bayes, seleksi fitur menggunakan Genetic Algorithm. Hasil yang diperoleh menggunakan algoritma LDA dan algoritma Naïve Bayes dilakukan komparasi, hasil yang diperoleh bahwa algoritma LDA lebih baik dibandingkan dengan algoritma Naïve Bayes untuk klasifikasi citra Pap Smear. Hasil klasifikasi ke dalam 7 kelas memiliki nilai tertinggi 62.92% sedangkan untuk klasifikasi tertinggi pada klasifikasi citra Pap Smear dengan nilai akurasi 95.87% tetapi masih terdapat kesulitan untuk klasifikasi Abnormal (4,5,6,7) dengan nilai akurasi 60.15%. Akurasi yang rendah terhadap kelas abnormal mempengaruhi klasifikasi kedalam 7 kelas.
Kata Kunci: Kanker Serviks, Pap Smear, Linear Discriminant Analysis (LDA), Naïve Bayes, Genetic Algorithm.

Full Text:

PDF (Bahasa Indonesia)

References

Alfisahrin, S. N. (2014). Komparasi Algoritma C4.5, Naive Bayes dan Neural Network Untuk Memprediksi Penyakit Jantung. Jakarta: Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri.

Andrijono, H. Nurwijaya, & H. Suheimi. (2010). Cegah dan Deteksi Kanker. Jakarta: Elex Media.

Auliani, D. L. (2014). Deteksi Kanker Serviks Berdasarkan Citra

Sel Pap Smear Dengan Klasifikasi Naïve Bayes.

Berndtssom, M., Hansson, J., Olsson, B., & Lundell, B. (2008). A Guide For Students In Computer Science And Information Systems. London: Springer.

Bramer, M. (2013). Pronciple of Data Mining Second Edition. London: Springer.

Brilian, F., Huda, A. F., & Taufik, I. (2014). Sistem Pengenalan Wajah Dengan Menggunakan Metode Linear Discriminant Analysis (LDA).

Dewi, M. R., & Purnami, S. W. (2015). Klasifikasi Hasil Pap Smear Test sebagai Upaya Pencegahan Sekunder Penyakit Kanker Serviks di Rumah Sakit “X” Surabaya Menggunakan Piecewise Polynomial Smooth Support Vector Machine (PPSSVM). JURNAL SAINS DAN SENI ITS, 61-66.

Dharmawan, D. A. (2014). Deteksi Kanker Serviks Otomatis Berbasis Jaringan Saraf Tiruan LVQ dan DCT. JNTETI, 269-272.

Faried, A. (2012). Bagaimana mereka (sel kanker) berjalan? 1-6.

Intansari, I. A., Purnami, S. W., & Wulandari, S. P. (2012). Klasifikasi Pasien Hasil Pap Smear Test sebagai Pendeteksi Awal Upaya Penanganan Dini pada Penyakit Kanker Serviks di RS. “X” Surabaya dengan Metode Bagging Logistic Regression. JURNAL SAINS DAN SENI ITS, 277-282.

Kusuma, H., & Wirawan. (2008). Teknik Pengenalan Wajah dengan Metoda Subspace LDA (Linear Discriminant Analysis).

Larose, D. (2005). Discovering Knowledge in Data: An Introduction to Data Mining. United States of America: John Wiley & Sons, Inc.

Larose, D. (2006). Data Mining Methods And Models. Hoboken, New Jersey: John Wiley & Sons, Inc.

Maimon, O., & Rokach, L. (2010). Data Mining and Knowledge Discovery Handbook Second Edition. New York: Springer.

Mansoori, T. K., Suman, A., & Mishra, S. K. (2014). Feature Selection by Genetic Algorithm and SVM Classification for Cancer Detection. International Journal of Advanced Research in Computer Science and Software Engineering Vol 4, 357-365.

Mustafa, N., Isa, N. M., Mashor, M., & Othman, N. (2007). New Features of Cervical Cells for Cervical Cancer Diagnostic System Using Neural Network.

Ramdani, Y., & Purnami, S. W. (2014). Klasifikasi Hasil Pap Smear Test Kanker Serviks Berdasarkan Faktor Resiko (Studi Kasus Di Rumah Sakit Swasta Surabaya). 1-6.

Riana, D. (2010). Hierarchical Decision Approach Berdasarkan Importance Performance Analysis Untuk Klasifikas Citra Tunggal Pap Smear Menggunakan Fitur Kuantitatif dan Kualitatif. Depok : Universitas Indonesia: Tesis Tidak Terpublikasi.

Samuel, S. S., Mathew, A. V., & Sreekumar, S. (2014). Comparative Study Between Sparse Representation Classification and Classical Classifiers on Cervical Cancer Cell Images. International Journal of Advanced Research in Computer and Communication Engineering.

Sartono, B. (2010). Pengenalan Algoritma Genetik Untuk Pemilihan Peubah Penjelas Dalam Model Regresi Menggunakan SAS/IML. Forum Statistika dan Komputasi, 10-15.

Witten, I., & Frank, E. (2011). Data Mining Practical Machine Learning Tools and Techniques 3rd Edition. Burlington, Usa: Morgan Kaufmann Publishers.

Wu, X., & Kumar, V. (2009). The Top Ten Algorithms in Data Mining. New York: CRC Press.

Zhang, B., & Srihari, S. N. (2002). Class-Wise Multi-Classifier Combination Based On Dempster-Shafer Theory. In Proceedings The Seventh International Conference On Control, Automation, Robotics And Vision.

DOI: https://doi.org/10.31294/ji.v2i2.130