Optimasi Identifikasi Adenokarsinoma Dari Citra X-Ray Dengan Metode Learning Vector Quantization

Aziz Septian Amrullah; Dadang Iskandar Mulyana

doi:10.30591/smartcomp.v11i4.4242

Optimasi Identifikasi Adenokarsinoma Dari Citra X-Ray Dengan Metode Learning Vector Quantization

Aziz Septian Amrullah, Dadang Iskandar Mulyana

Abstract

Adenokarsinoma adalah jenis kanker yang berkembang dan menyebar di sejumlah organ tubuh manusia, terutama yang memiliki kelenjar dalam, antara lain payudara, paru-paru, kerongkongan, usus besar, pankreas, dan prostat. Karena adenokarsinoma dapat mempengaruhi berbagai organ tubuh dan menyebabkan gejala berkembang secara berbeda, sinar-x adalah satu-satunya metode yang dapat dipercaya untuk mendiagnosis kondisi tersebut. Analisis data sinar-X akan mengungkapkan ada tidaknya adenokarsinoma. Periksa ini untuk mengklasifikasikan hasil rontgen sebagai normal atau kanker. Learning Vector Quantification (LVQ) dan ekstraksi ciri merupakan teknik klasifikasi. Upaya yang dilakukan dengan Klasifikasi citra diterapkan sebelum Grayscale, kemudian karakteristik ekstraksi digunakan. First-Rate Kualitas nilai parameter adalah mu, deviasi, skewness, energy, entropy, dan smoothness. 150 gambar x-ray akan diperiksa, dan Learning Vector Quantization akan digunakan untuk mengklasifikasikan hasilnya. Pada epoch 100, akurasi penelitian ini mencapai puncaknya, 97,3%, dan learning rate antara 0,1 dan 0,2.

Full Text:

References

H. Sung et a Berdasarkan studi yang telah dilakukan, penulis telah memperoleh rekomendasi berikut untuk menawarkan saran kepada peneliti:l., “Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries,” CA. Cancer J. Clin., vol. 71, no. 3, pp. 209–249, 2021, doi: 10.3322/caac.21660.

R. A. Wati, H. Irsyad, M. Ezar, and A. Rivan, “Klasifikasi Pneumonia Menggunakan Metode Support Vector Machine,” J. Algoritm., vol. 1, no. 1, pp. 21–32, 2020.

S. Tinggi and I. Komputer, “Jaringan Syaraf Tiruan LVQ Berbasis Parameter HSV dalam Penentuan Uang Jaringan Syaraf Tiruan LVQ Berbasis Parameter HSV dalam Penentuan Uang Rupiah Palsu,” vol. 13, no. January 2019, pp. 47–52, 2020.

A. Izaaz, “Klasifikasi Radang Kandung Kemih dan Nefritis dari Pelvis Ginjal Menggunakan Metode Learning Vector Quantization,” J. Tek. Elektro dan Komput. TRIAC, vol. 8, no. 2, pp. 35–38, 2021, doi: 10.21107/triac.v8i2.11893.

A. F. Herdajanti, Y. D. Setiyaningrum, G. F. Shidik, R. A. Pramunendar, and A. Z. Fanani, “( Hog ) and Learning Vector Algorithm Quantization ( Lvq ) in Classification Carica,” pp. 519–522, 2019.

F. Tawakal and A. Azkiya, “Diagnosa Penyakit Demam Berdarah Dengue (DBD) menggunakan Metode Learning Vector Quantization (LVQ),” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 4, no. 3, p. 56, 2020, doi: 10.14421/jiska.2020.43-07.

S. T. Informatika, “Implementasi Deteksi Real Time Klasifikasi Jenis Kendaraan Di Indonesia Menggunakan Metode YOLOV5,” vol. 6, pp. 13971–13982, 2022.

A. Syaeful, M. I. Fadillah, I. Muftadi, and D. Iskandar, “Klasifikasi Citra Bunga Dahlia Berdasarkan Warna Menggunakan Metode Otsu Thresholding Dan Naïve Bayes,” vol. 6, pp. 575–582, 2022.

Yuli Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4 . 5 Data mining merupakan bagian dari tahapan proses Knowledge Discovery in Database ( KDD ) . Jurnal Edik Informatika,” J. Edik Inform., vol. 2, no. 2, pp. 213–219, 2019.

D. Retnoningrum, A. W. Widodo, and M. A. Rahman, “Ekstraksi Ciri Pada Telapak Tangan Dengan Metode Local Binary Pattern (LBP),” J. Pengemb. Teknol. Inf. dan Ilmu Komput. , vol. 3, no. 3, pp. 2611–2618, 2019, [Online]. Available: http://j-ptiik.ub.ac.id

L. Amatullah, I. Ein, and M. M. Santoni, “Identifikasi Penyakit Daun Kentang Berdasarkan Fitur Tekstur dan Warna Dengan Menggunakan Metode K-Nearest Neighbor,” Semin. Nas. Mhs. Ilmu Komput. dan Apl., no. April, pp. 783–791, 2021.

S. P. Adenugraha, V. Arinal, and D. I. Mulyana, “Klasifikasi Kematangan Buah Pisang Ambon Menggunakan Metode KNN dan PCA Berdasarkan Citra RGB dan HSV,” J. Media Inform. Budidarma, vol. 6, no. 1, p. 9, 2022, doi: 10.30865/mib.v6i1.3287.

R. Mardisa, I. S. Nasution, and K. Siregar, “Klasifikasi Kualitas Fisik Kopi Beras Arabika Menggunakan Pengolahan Citra Dengan Metode K-Nearest Neighbor (K-NN),” J. Ilm. Mhs. Pertan., vol. 7, no. 2, pp. 514–522, 2022.

T. Villmann, M. Kaden, W. Hermann, and M. Biehl, “Learning vector quantization classifiers for ROC-optimization,” Comput. Stat., vol. 33, no. 3, pp. 1173–1194, 2018, doi: 10.1007/s00180-016-0678-y.

A. Muharam and I. Azmi, “Jurnal Ilmiah Teknik Informatika dan Komunikasi KLASIFIKASI KANKER PAYUDARA MENGGUNAKAN ALGORITMA K-NN DENGAN OPTIMASI BOBOT ( FORWARD ) Jurnal Ilmiah Teknik Informatika dan Komunikasi,” vol. 2, no. 2, 2022.

DOI: https://doi.org/10.30591/smartcomp.v11i4.4242