KLASIFIKASI NODULE PARU-PARU DARI CITRA CT-SCAN BERDASARKAN GRAY LEVEL C0-OCCURRENCE MATRIKS MENGGUNAKAN PROBABILISTIC NEURAL NETWORK

Tri Deviasari Wulan, I Ketut Eddy Purnama, Mauridhi Heri Purnomo

Abstract


Penelitian ini melakukan klasifikasi nodule paru-paru dari citra CT-scan berdasarkan tekstur fitur yaitu menggunakan Gray Level Coocurrance Matriks (GLCM). Nodule paru-paru merupakan bercak-bercak pada paru-paru yang digunakan sebagai salah satu tanda untuk mendiagnosis kanker paru-paru. Nodule paru-paru ini tersebar diseluruh area paru dengan posisi yang acak, bentuk dan ukuran yang beragam. Bercak-bercak ini kemudian akan berkembang dan mengganas menjadi kanker paru-paru. Dalam citra CT-Scan tersebut terdapat banyak sekali bercak-bercak yang memiliki warna dan ukuran seperti nodul paru tetapi bercak tersebut bukan nodul paru melainkan jaringan paru yang lain.Oleh karena itu, tekstur Fitur merupakan metode analisis yang cocok digunakan untuk mengetahui perbedaan karakteristik dari nodul paru-paru dan bukan nodul paru-paru. Salah satu metode tekstur fitur yang terkenal adalah Gray Level Coocurrance Matriks (GLCM). Fitur yang digunakan adalah Angular Second Moment (ASM), Kontras, Invers Different Moment (IDM), Entropi, Korelasi dan Kontras. Fitur-fitur tersebut yang menjadi masukan pada proses klasifikasi. Probabilistic Neural Network (PNN) digunakan untuk mengklasifikasi antara nodule paru-paru dan bukan nodule paru-paru. Hasil pengujian menggunakan probabilistic neural network (PNN) memiliki tingkat akurasi sebesar 85% dalam membedakan antara nodule dan bukan nodule, sehingga sistem ini dapat dijadikan sebagai alat bantu bagi dokter untuk mempercepat proses diagnosis dan meningkatkan pelayanan dibidang kesehatan.

Full Text:

PDF

References


Ananda.2012. Segmentasi Nodul Pada Citra CT Paru-Paru Menggunakan Max Tree dan Attribut Filter.ITS : Surabaya.

Wang.H., Guo, X., Jia.Z., Li, H, dkk. 2010. Multilevel Binominal Logistic Prediction Model For Malignant Pulmonary Nodules based on Texture Feature on CT Images. European Journal of Radiologi . pp 124-129

IARC.2010. Lung Cancer Incidence and Mortality Worldwide in 2008. http://globocan.iarc.fr/factsheets/cancers/lung.asp

Kadir, Abdul, Susanto, Adhi. 2012. Pengolahan Citra Teori dan Aplikasi. Yogyakarta.

Cucun Very Angkoso.,Ingrid Nurtanio., dkk. 2011. Analisa Tekstur Untuk Membedakan Kista Dan Tumor Pada Citra Panoramik Rahang Gigi Manusia. The 12th Seminar on Intelligent Technology and Its Application. ISSN: 2088-4796M.

Shao-hu Peng.,Deok-Hwan Kim.,dkk. 2010. Texture Feature Extraction Based on a Uniformity Estimation Method For Local Brightnessdand Structure in Chest Images.Computers in Biomogi and Medicine. Pp 931-942.

Kusumadewi Sri.2004. Membangun Jaringan Saraf Tiruan Menggunakan Matlab dan Excel Link. Graha Ilmu : Yogyakarta.

Syahrin Yusnia Alfi.2013. Probabilistic Neural Network (PNN). Sistem Komputer . Universitas Diponegoro




DOI: https://doi.org/10.22219/sentra.v0i1.2109

Refbacks

  • There are currently no refbacks.


Seketariat

Fakultas Teknik

Universitas Muhammadiyah Malang Kampus III

Jl. Raya Tlogomas 246 Malang, 65144