Peningkatan Hasil Diagnosis Kanker Payudara Dari Hasil Citra Mammogram Menggunakan Metode Ekstraksi Ciri Dan Klasifikasi
Abstract
Kanker payudara merupakan penyebab kematian paling umum pada wanita yang sudah lanjut usia, hampir 2,09 juta kasus baru yang didiagnosis mengalami kanker payudara dengan estimasi kematian mencapai 0,63 juta pada tahun 2018. Deteksi awal merupakan kunci untuk menekan angka kematian yang disebabkan oleh kanker payudara, salah satu metode deteksi awal yang umum digunakan adalah screening menggunakan pencitraan mammografi. Saat ini pendeteksian kanker payudara dengan citra mammogram telah banyak dilakukan dengan memanfaatkan pengolahan citra digital. Tahapan dari proses pendeteksian tersebut terdiri dari pre-processing, ektraksi fitur, dan klasifikasi. Tahapan yang memegang peranan penting untuk menghasilkan sistem deteksi yang akurat adalah tahap ekstraksi fitur. Pada penelitian ini akan dilakukan ekstraksi fitur dengan menggunakan fitur Tekstur, Gray Level Co-occurrence Matrix (GLCM), dan Morfologi. Untuk hasil akhirnya akan menggunakan K-Nearest Neighbor, Naïve Bayes, dan Support Vector Machine dalam menentukan klasifikasinya, yang mana digunakan citra mammogram yang berasal dari Mammographic Image Analysis Society (MIAS) dengan jumlah 100 citra normal dan 51 citra abnormal. Berdasarkan dari ujicoba yang dilakukan didapatkan hasil akurasi tertinggi dengan menggabungkan semua fitur yang diujikan yakni 98.67% dengan klasifier Naïve Bayes.
Kata Kunci : Ekstraksi fitur, tekstur, morfologi, GLCM, klasifikasi mammogram
Collections
- Electric Engineering [786]