Toni Arifin


Abstract - Cervical cancer is the one of cause women death in the world. At least every 2 minutes 1 people death it cause of cervical cancer. One of prevention to early detection of cervical cancer is Pap Smear examination. Pap Smear test conducted to determine infection or abnormal cell that can turn into cancer cell. In this research used texture analysis data obtained from the result of image processing cell nucleus of normal and abnormal Pap Smear and 7 class Pap Smear cells is Normal Superficial (NS), Normal Intermediate (NI), Normal Columnar (NC), Mild (Light) Dysplasia (MLD), Severe Dysplasia (SD), Moderate Dysplasia (MD), Carcinoma In Situ (CIS). Image data derived from the data Harlev is totaling 280 images. The method of this research is used classification K-nearest neighbor method and for testing is used Confusion Matrix to see how much accuracy is generated by using K-nearest neighbor method. The result accuracy of normal and abnormal classification is 73,10% and for class classification is 33,33%.

Keywords: Texture Analysis, K-nearest neighbor , Classification, Pap Smear Cell, Cervical Cancer, Confusion Matrix.

Abstrak - Kanker serviks merupakan salah satu penyebab kematian wanita di dunia. Setidaknya setiap 2 menit 1 orang di dunia meninggal karena kanker serviks. Salah satu cara pencegahan untuk mendeteksi secara dini kanker serviks adalah dengan melakukan Pemeriksaan Pap Smear. Tes Pap Smear dilakukan untuk melihat adanya infeksi atau sel-sel yang abnormal yang dapat berubah menjadi sel kanker. Pada penelitian ini menggunakan data analisis tekstur yang didapatkan dari hasil pengolahan citra inti sel Pap Smear normal dan abnormal dan 7 kelas sel Pap Smear yaitu Normal Superficial (NS), Normal Intermediate (NI), Normal Columnar (NC), Mild (Light) Dysplasia (MLD), Severe Dysplasia (SD), Moderate Dysplasia (MD), Carcinoma In Situ (CIS). Data citra berasal dari data Harlev yang berjumlah 280 citra. Metode yang digunakan dalam penelitian ini adalah metode klasifikasi K-nearest neighbor dan untuk pengujiannya menggunakan Confusion Matrix untuk melihat seberapa besar akurasi yang dihasilkan dengan menggunakan metode K-nearest neighbor . Akurasi yang dihasilkan dari klasifikasi normal dan abnormal adalah 73,10% dan untuk akurasi klasifikasi kelas adalah 33,33%.

Kata Kunci: Analisis Tekstur, K-nearest neighbor , Klasifikasi, Sel Pap Smear, Kanker Serviks, Confusion Matrix.


Arifin, T. (2014). Klasifikasi Inti Sel Pap Smear Berdasarkan Analisis Tekstur Menggunakan Correlation-Based Feature Selection Berbasis Algoritma C4.5. Jurnal Informatika, 1, 123-129.

Arifin, T., Riana, D., & Hapsari, G. I. (2014). Klasifikasi Statistikal Tekstur Sel Pap Smear Dengan Decesion Tree. Jurnal Informatika, 1, 38-43.

Bidanku. (n.d.). Kanker Serviks: Ciri-ciri, Penyebab, dan Pencegahan Kanker Serviks. Retrieved February 1, 2015, from

Gonzalez, R. C., Woods, R. E., & Eddins, S. L. (2003). Digital Image Processing Using Matlab. 11-12.

Han, J., & Kamber, M. (2006). Data Mining Concept and Tehniques. San Fransisco: Morgan Kauffman.

Jantzen, J., Norup, G. J., Dounias, & Bjerregaard, B. (2005). Pap Smear Benchmark Data For Cervical Cell Types in Pap Smear Digital Images . 1-7.

Larose, D. T. (2005). Discovering Knowledge in Data. New Jersey: John Willey & Sons, Inc.

Martin, E. (n.d.). Pap Smear Classification From Technical University of Denmark. Retrieved January 25, 2014, from

Prasetyo, E. (2012). Data Mining Konsep dan Aplikasi Menggunakan MATLAB. Yogyakarta: ANDI Yogyakarta.

WHO. (n.d.). WHO Guidance Note. Retrieved January 28, 2015, from

Wu, x. (2008). Top 10 algorithms in data mining. Knowledge Inference System.



  • There are currently no refbacks.

Index by:

Published by Department of Research and Public Service (LPPM) Universitas Bina Sarana Informatika with supported Relawan Jurnal Indonesia

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