Klasifikasi Statistikal Tekstur Sel Pap Smear Dengan Decesion Tree

Abstract

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