KLASIFIKASI PENYAKIT TUMOR OTAK MENGGUNAKAN K-NEAREST NEIGHBOR BERBASIS GLCM

Kartika Candra Kirana, Ahmad Mursyidun Nidhom, Aufar Faiq Fadhlullah, Galih Carlos Putra Siregar, Hilham Bagus Begananda

Abstract


Diagnosis tumor otak dilakukan melalui tes dan prosedur medis seperti pemeriksaan fisik, MRI atau CT scan, dan biopsi. Segmentasi citra tumor otak dapat memberikan informasi penting bagi dokter dalam merencanakan perawatan dan mengevaluasi tindak lanjut yang dapat dilakukan dalam penanganan pasien tumor otak. Dibutuhkan biaya yang besar dalam diagnosa tumor otak menggunakan MRI. Sistem yang dapat secara otomatis mendeteksi tumor otak diharapkan dapat mengurangi biaya diagnosa. Pada penelitian ini, diusulkan metode ekstraksi fitur GLCM yang dikombinasi dengan metode klasifikasi K-NN untuk mengklasifikasikan MRI otak tumor dan otak sehat. Kontribusi penelitian ini adalah mengevaluasi jumlah iterasi terbaik pada arsitektur yang diusulkan pada big data. Pada fase pertama dilakukan pra- pemrosesan citra. Pra-pemrosesan yang diusulkan terdiri dari: (1) normalisasi ukuran (resize), (2) mengubah ke bentuk keabuan (grayscale), menghilangkan/mengurangi derau (noise removal) menggunakan median filter, dan (4) mempertajam kualitas citra (image sharpening). Pada fase kedua, segmentasi citra dilakukan untuk mengambil foreground. Region of interest diperoleh menggunakan segmentasi Otsu Thresholding. Pada fase ketiga GLCM diekstraksi sebagai fitur utama. Pada fase keempat, klasifikasi dikelola menggunakan algoritma K-Nearest Neighbor (KNN). Performa sistem diuji coba kepada 1150 citra pada dataset Kaggle ‘Preet Viradiya’. Hasil uji coba menunjukkan tingkat akurasi terbaik mencapai 81% dengan k terbaik sebanyak 3. Penelitian ini dapat disimpulkan bahwa usulan arsitektur penggunaan GLCM dan KNN memiliki performa yang unggul.

Keywords


Tumor Otak; KNN; GLCM; Otsu; thresholding; MRI

Full Text:

PDF

References


Ainani Shabrina Febrianti, Tri Arief Sardjono and Atar Fuady Babgei (2020) ‘Klasifikasi Tumor Otak pada Citra Magnetic Resonance Image dengan Menggunakan Metode Support Vector Machine’, Jurnal Teknik ITS, Vol. 9, No. 1(1).

Boudjella, A. et al. (2022) ‘Machine Learning on the Diagnosis of Brain Tumors’, in 2022 7th International Conference on Image and Signal Processing and their Applications (ISPA). IEEE, pp. 1–5. doi: 10.1109/ISPA54004.2022.9786301.

Havaei, M., Jodoin, P.-M. and Larochelle, H. (2014) ‘Efficient Interactive Brain Tumor Segmentation as Within-Brain kNN Classification’, in 2014 22nd International Conference on Pattern Recognition. IEEE, pp. 556–561. doi: 10.1109/ICPR.2014.106.

Hussain, A. and Khunteta, A. (2020) ‘Semantic Segmentation of Brain Tumor from MRI Images and SVM Classification using GLCM Features’, in 2020 Second International Conference on Inventive Research in Computing Applications (ICIRCA), pp. 38–43. doi: 10.1109/ICIRCA48905.2020.9183385.

Jany Shabu, S. L. and Jayakumar, C. (2020) ‘Brain Tumor Classification with MRI Brain Images Using 2-Level GLCM Features and Sparse Representation based Segmentation’, in 2020 3rd International Conference on Intelligent Sustainable Systems (ICISS). IEEE, pp. 793–799. doi: 10.1109/ICISS49785.2020.9315971.

Machhale, K. et al. (2015) ‘MRI brain cancer classification using hybrid classifier (SVM-KNN)’, in 2015 International Conference on Industrial Instrumentation and Control (ICIC). IEEE, pp. 60–65. doi: 10.1109/IIC.2015.7150592.

Malarvizhi, A. B. et al. (2022) ‘Brain tumour classification using machine learning algorithm’, Journal of Physics: Conference Series, 2318(1). doi: 10.1088/1742-6596/2318/1/012042.

Raju, C. H. S., Baskar, R. and Tiwari, S. K. (2022) ‘Classification of Brain Tumor Images with Improved Accuracy Using KNN and Comparing with SVM’, in 2022 14th International Conference on Mathematics, Actuarial Science, Computer Science and Statistics (MACS). IEEE, pp. 1–8. doi: 10.1109/MACS56771.2022.10023148.

Shanjida, S., Islam, M. S. and Mohiuddin, M. (2022) ‘MRI-Image based Brain Tumor Detection and Classification using CNN-KNN’, in 2022 IEEE IAS Global Conference on Emerging Technologies (GlobConET). IEEE, pp. 900–905. doi: 10.1109/GlobConET53749.2022.9872168.

Sooch, S. K., Anand, D. and Deorari, R. (2022) ‘Brain Tumor detection with GLCM feature extraction and hybrid classification approach’, in 2022 International Conference on Cyber Resilience (ICCR). IEEE, pp. 1–5. doi: 10.1109/ICCR56254.2022.9996065.

Suta, I. B. L. M., Hartati, R. S. and Divayana, Y. (2019) ‘Diagnosa Tumor Otak Berdasarkan Citra MRI (Magnetic Resonance Imaging)’, Majalah Ilmiah Teknologi Elektro, 18(2). doi: 10.24843/mite.2019.v18i02.p01.

Wasule, V. and Sonar, P. (2017) ‘Classification of brain MRI using SVM and KNN classifier’, in 2017 Third International Conference on Sensing, Signal Processing and Security (ICSSS). IEEE, pp. 218–223. doi: 10.1109/SSPS.2017.8071594.

Wijaya, C., Irsyad, H. and Widhiarso, W. (2020) ‘Klasifikasi Pneumonia Menggunakan Metode K-Nearest Neighbor Dengan Ekstraksi Glcm’, Jurnal Algoritme, 1(1), pp. 33–44. doi: 10.35957/algoritme.v1i1.431.

Yohannes, Widhiarso, W. and Pratama, I. (2021) ‘Combination of DWT Variants and GLCM as a Feature for Brain Tumor Classification’, in 2021 8th International Conference on Electrical Engineering, Computer Science and Informatics (EECSI), pp. 197–202. doi: 10.23919/EECSI53397.2021.9624249.




DOI: http://dx.doi.org/10.17977/um034v33i1p1-14

Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 TEKNO: Jurnal Teknologi Elektro dan Kejuruan

Gedung B11, Lantai 2
Departemen Teknik Elektro dan Informatika, Fakultas Teknik
Universitas Negeri Malang
Jln. Semarang No.5 Malang, Jawa Timur

Creative Commons License TEKNO : Jurnal Teknologi Elektro dan Kejuruan licensed under a Creative Commons Attribution-ShareAlike 4.0 International License

View Tekno Stats